16
yaitu untuk kalkulasi sederhana data dan sebagai awal input data sebelum diolah dalam Eviews 4.1.
3.2.1. Ordinary Least Square OLS
Metode OLS digunakan untuk memperoleh estimasi parameter dalam menganalisis pengaruh variabel-variabel dependen terhadap variabel independen.
Penelitian ini menggunakan OLS untuk memperoleh estimasi pengaruh pertumbuhan ekonomi terhadap tingkat pengangguran di Indonesia. Metode OLS
dipilih karena merupakan salah satu metode sederhana dengan analisis regresi yang kuat dan populer, dengan asumsi-asumsi tertentu Gujarati, 1997. Model
yang digunakan adalah:
t t
t t
t
e P
A PE
U +
+ +
=
−1 3
2 1
λ λ
λ ..............………………………………..3.1
dimana: U
t
= tingkat pengangguran tahun t dalam persen, PE
t
= pertumbuhan ekonomi atau persentase perubahan output tahun t dalam persen,
A
t
= jumlah angkatan kerja tahun t dalam juta orang, P
t-1
= jumlah pengangguran tahun t-1 dalam juta orang, λ
1,2,3
= slope atau kemiringan, e
t
= residual. Jumlah pengangguran tahun tertentu merupakan jumlah dari pengangguran
tahun sebelumnya dan angkatan kerja baru yang menjadi pengangguran. Kedua variabel tersebut diduga berpengaruh positif terhadap tingkat pengangguran,
sehingga digunakan dalam model sebagai variabel independen. Karena P
t-1
17
merupakan lag dari P
t
maka jumlah observasi dalam OLS berkurang satu, dari 21 untuk periode 1985-2005 menjadi 20 untuk periode 1986-2005.
Seberapa baik garis regresi mencocokkan data Goodness of fit dapat diukur melalui koefisien determinasi R
2
. Jika seluruh data berada pada garis regresi, maka terjadi kecocokan sempurna dan R
2
bernilai satu. Semakin besar nilai R
2
, maka semakin baik variabel-variabel independen dalam menjelaskan variabel dependen.
3.2.2. Uji Asumsi
OLS
Tujuan dari analisis regresi bukan hanya mendapatkan parameter atau penaksir, tetapi juga membuktikan apakah penaksir tersebut sesuai dengan nilai
sebenarnya. Dengan asumsi-asumsi dapat dilihat bahwa penaksir OLS adalah penaksir tak bias linear terbaik. Manurung, Manurung, dan Saragih 2005
menyebutkan asumsi-asumsi yang digunakan yaitu: 1. Nilai
rata-rata bersyarat dari unsur gangguan populasi e
t
, tergantung kepada nilai-nilai tertentu variabel yang menjelaskan X
t
adalah nol. Asumsi ini menyatakan bahwa tiap nilai variabel dependen Y
t
yang berhubungan dengan suatu X
t
tertentu didistribusikan di sekitar nilai rata- rata, sehingga nilai e
t
yang berhubungan dengan setiap X
t
, memiliki rata- rata nol. Asumsi ini merupakan salah satu sifat dari fungsi regresi dan
dapat diabaikan karena penyimpangan yang terjadi hanya berdampak pada koefisien intersep yang bias.
2. Varians bersyarat dari e
t
adalah konstan atau homoskedastik. Asumsi homoskedastisitas dari disturbance term error adalah selisih atau spread
18
scedasticity bernilai sama atau equal homo. Heteroskedastisitas, yaitu varians Y
t
yang tidak sama, memberikan konsekuensi varians tidak minimum dan penggunaan selang keyakinan atau tingkat signifikansi yang
semakin besar, yang sebenarnya tidak perlu, sehingga penaksir OLS kurang efisien. Pendeteksian ada atau tidaknya heteroskedastisitas dapat
dilakukan dengan White’s General Heteroskedasticity Test no cross term. Pengujian dilaksanakan dengan melihat nilai Probability ObsR-
squared yang dihasilkan. Tolak H maka regresi model tersebut
mengalami gejala heteroskedastisitas. Begitu pula sebaliknya, jika terima H
maka regresi model tidak tersebut mengalami gejala heteroskedastisitas.
Kriteria uji: Hipotesis nol
H :
θ
i
= 0 Hipotesis alternatif
H
1
: θ
i
≠ 0 Kaidah menolak hipotesis nol:
Probability ObsR-squared taraf nyata α
3. Tidak ada autokorelasi dalam gangguan. Masalah autokorelasi yang timbul juga tidak menunjukkan varians minimum walaupun BLUE
sehingga tidak efisien, selang keyakinan menjadi lebar secara tak perlu, dan pengujian arti signifikan kurang kuat. Uji autokorelasi dilakukan
dengan melihat probability ObsR-squared pada Breusch-Godfrey BG Test. Apabila nilai probability ObsR-squared lebih besar dari taraf
nyata tertentu, maka regresi model tidak mengalami autokorelasi. Bila
19
nilai probability ObsR-squared lebih kecil dari taraf nyata tertentu, maka regresi model mengalami autokorelasi.
Kriteria uji: Hipotesis nol
H :
ρ
i
= 0 Hipotesis alternatif
H
1
: ρ
i
≠ 0 Kaidah menolak hipotesis nol:
Probability ObsR-squared taraf nyata α
4. Variabel yang menjelaskan adalah nonstokastik yaitu, tetap dalam penyampelan berulang atau, jika stokastik, didistribusikan secara
independen dari gangguan e
t
. Analisis regresi merupakan penaksiran nilai rata-rata satu variabel dependen atas dasar nilai yang tetap variabel-
variabel independen. Maka variabel-variabel yang menjelaskan ini diasumsikan mempunyai nilai yang tetap atau nonstokastik. Sekalipun
variabel eksplanatoris mungkin sebenarnya stokastik, namun dapat diasumsikan bahwa variabel yang menjelaskan tersebut adalah tertentu
dan hasil analisis regresi adalah tergantung pada nilai tertentu ini. Jika variabel eksplanatory ini bersifat random, maka setidaknya didistribusikan
secara independen dari faktor gangguan e
t
. Asumsi ini dapat dianggap terpenuhi karena salah satu sifat fungsi regresi menujukkan bahwa
residual tidak berkorelasi dengan variabel eksplanatoris. 5. Tidak
ada multikolinearitas di antara variabel yang menjelaskan. Asumsi
ini mensyaratkan tidak ada hubungan linear di antara variabel yang menjelaskan. Pelanggaran asumsi ini, adanya multikolinearitas sempurna,
20
koefisien regresi dari variabel eksplanatoris tidak dapat ditentukan dan variansnya tak berhingga. Jika multikolinearitas kurang dari sempurna,
koefisien regresi dapat ditentukan tetapi variansnya sangat besar sehingga tidak dapat menaksir koefisien secara akurat. Pendeteksian
multikolinearitas, dilakukan mengikuti kaidah umum, yaitu: • Koefisien determinasi rendah dan probabilitas dari nilai statistik t
tinggi. • Koefisien korelasi antara variabel eksplanatoris tinggi, yaitu
│0.8│atau lebih. 6. e
t
didistribusikan secara normal. Untuk ukuran sampel meningkat sampai tak terbatas, penaksir OLS didistribusikan secara normal, sehingga
penggunakan asumsi kenormalan tidak harus digunakan. Namun untuk ukuran sampel kecil, asumsi kenormalan menjadi penting untuk maksud
pengujian hipotesis dan peramalan. Uji normalitas dapat dilakukan dengan Jarque-Berra JB test. Jika probabilitas yang diperoleh lebih besar dari
taraf nyata α, maka asumsi residual terdistribusi dengan normal diterima.
Jika probabilitas yang diperoleh lebih kecil dari taraf nyata α, maka
asumsi residual terdistribusi dengan normal ditolak. Kriteria uji:
Hipotesis nol
H : residual terdistribusi normal
Hipotesis alternatif H
1
: residual tidak terdistribusi normal Kaidah menolak hipotesis nol:
Probability JB test taraf nyata α
21
7. Model regresi linear dalam parameter. Parameter yang digunakan yaitu
dalam bentuk pangkat satu. 8.
Jumlah observasi N harus lebih besar dari jumlah parameter yang akan ditaksir atau jumlah observasi N harus lebih besar dari jumlah variabel
eksplanatoris. 9.
Variabilitas dalam variabel eksplanatoris. Nilai variabel eksplanatoris untuk sejumlah observasi N tidak sama.
10. Model regresi dispesifikasikan dengan benar. Penetuan model dalam OLS
lebih mengacu kepada landasan teori yang digunakan. Uji bias spesifikasi model dapat dilakukan dengan Ramsey Regression Specification Error
RAMSEY RESET test. Jika probabilitas dari nilai statistik F signifikan secara statistik pada tingkat signifikansi
α, maka kesimpulan yang diperoleh yaitu model mengalami kesalahan spesifikasi. Sebaliknya,
model regresi dispesifikasikan dengan benar jika probabilitas dari nilai statistik F tidak signifikan secara statistik pada tingkat signifikansi
α. Asumsi pertama dan keempat dianggap telah terpenuhi. Asumsi ketujuh,
kedelapan, dan kesembilan terpenuhi tanpa perlu menggunakan uji secara statistik. Parameter yang diestimasi
λ
1,2,3
berpangkat satu, jumlah observasi yang digunakan N=20 lebih besar dari jumlah parameter yang diestimasi
λ
i
=3, dan variabel independen PE
t
, A
t
, P
t-1
memiliki variabilitas dalam data. Uji asumsi OLS secara statistik diterapkan terhadap lima asumsi lainnya, yaitu
homoskedastisitas, non-autokorelasi, non-multikolinearitas, normalitas, dan non- bias spesifikasi model.
22
3.2.3. Uji Hipotesis