4 Ekspor adalah kegiatan mengeluarkan barang dari dalam negeri ke luar negeri.
Data variabel ekspor yang digunakan adalah nilai ekspor non migas menurut jenis valuta US , dalam satuan milliar US .
3.5. Teknik Pengumpulan Data
Teknik pengumpulan data dalam penelitian ini adalah menggunakan metode dokumentasi. Menurut Suharsimi 2006:158, metode dokumentasi adalah
suatu cara memperoleh data informasi mengenai berbagai hal yang ada kaitannya dengan penelitian dengan jalan melihat kembali laporan-laporan tertulis, baik
berupa angka maupun keterangan tulisanpaper, tempatplace dan kertas atau orangpeople.
Jenis data dalam penelitian ini adalah data sekunder, yang terdiri dari satu variabel terikat yaitu kurs rupiah dollar AS dan empat variabel bebas yaitu
jumlah uang beredar JUB, suku bunga SBI, nilai impor dan nilai ekspor. Data sekunder merupakan data yang diperoleh dari sumber kedua Bungin, 2005:122.
3.6. Teknik Pengolahan dan Analisis Data
Teknik analisis data adalah suatu metode yang digunakan untuk mengolah hasil penelitian guna memperoleh suatu kesimpulan. Dalam penelitian ini metode
analisis data yang digunakan :
3.6.1. Analisis deskriptif
Analisis deskriptif adalah yang menginterpretasikan data dengan mengambil kesimpulan dari data dalam bentuk angka yang sudah ada ke dalam
bentuk tulisan kata-kata Suharsimi, 2006:239. Analisis deskriptif data yang
digunakan yaitu deskriptif statistik melalui program Eviews 6. 3.6.2. Analisis statistik
Analisis statistik
dalam penelitian
ini menggunakan
metode ekonometrika. Ekonometrika adalah suatu ilmu yang memberikan pengukuran
data ekonomi dan analisis kuantitatif dari fenomena ekonomi Sarwoko, 2005:3. Teknik analisis yang digunakan dalam penelitian ini adalah dengan analisis
regresi, yang bertujuan untuk mengetahui besarnya pengaruh secara kuantitatif dari perubahan variabel X terhadap perubahan variabel Y Supranto, 2004:201.
Model yang digunakan dalam penelitian ini yaitu analisis regresi berganda dengan model semi log yaitu model yang terbentuk karena variabel terikat
ditransformasikan ke dalam bentuk logaritma, sedangkan variabel bebas ditransformasikan ke dalam bentuk linier. Penggunaan model semi log secara
substantif sangat berguna dalam melihat hubungan kausal antara variabel bebas yang menyatakan tahun atau unit waktu yang lain, sedangkan variabel terikat
dapat menyatakan berbagai karakteristik. Jika menggunakan model double log, data yang menggunakan nilai nol atau persen tidak dapat dibentuk karena ketika
dilakukan transformasi ke bentuk logaritma, nilai nol atau persen tersebut akan menjadi tidak terhingga Nachrowi dan Usman, 2006:68-69.
Bentuk persamaan regresi dengan Ordinary Least Squares Method OLS atau Metode Kuadrat Terkecil adalah metode untuk mengestimasi suatu garis
regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut, dan model penelitian ini sebagai berikut :
LnY = β
+ β
1
lnX
1
+ β
2
X
2
+ β
3
lnX
3
+ β
4
lnX
4
+ e …………….. 3.1
Keterangan: Y
= kurs rupiah dollar AS, dalam satuan rupiah X
1
= jumlah uang beredar M
2
, dalam satuan milliar rupiah X
2
= suku bunga SBI, dalam satuan X
3
= impor, dalam satuan milliar US X
4
= ekspor, dalam satuan milliar US e
= faktor pengganggu β
= konstanta β
1…
β
4
= koefisien regresi untuk variabel X
1
, X
2
, X
3
, dan X
4
Regresi berganda dengan model semi log, yaitu pada persamaan: Ln
Y = β +β
1
lnX
1
+ β
2
X
2
+ β
3
lnX
3
+ β
4
lnX
4
+ e. Penggunaan Ln karena koefisien elastisitas yang dihasilkan konstan Nachrowi dan Usman, 2006:67. Metode OLS
dapat memberikan penduga koefisien regresi yang baik atau bersifat BLUE. Persamaan regresi tersebut harus bersifat BLUE Best Linear Unbiased
Estimated , artinya pengambilan keputusan melalui uji F dan uji t tidak boleh bias
dan mempunyai sifat yang linier. Dalam Nachrowi dan Usman 2006:11-12 untuk menghasilkan keputusan BLUE Best Linear Unbiased Estimated, maka
harus memenuhi di antaranya tiga asumsi dasar yang tidak boleh dilanggar oleh persamaan regresi, yaitu:
a. Tidak boleh ada otokorelasi b. Tidak boleh ada heteroskedastisitas
c. Data berdistribusi normal
Apabila salah satu dari tiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE. Asumsi klasik yang
lain dilakukan antara lain: d. Uji Multikolinieritas
e. Uji Linieritas Kedua uji ini jika dilanggar maka model tetap OLS yang bersifat BLUE.
3.7. Uji Asumsi Klasik
Suatu model dikatakan cukup baik dan dapat dipakai untuk memprediksi apabila sudah lolos dari serangkaian uji asumsi klasik yang mendasarinya. Uji
asumsi klasik dalam penelitian ini terdiri dari : a. Uji Normalitas
Uji signifikansi pengaruh variabel independen terhadap variabel dependen melalui uji t hanya akan valid jika residual yang didapatkan mempunyai
distribusi normal. Salah satu metode untuk menguji normalitas adalah dengan menggunakan uji Jarque-Bera Uji J-B. Jika nilai probabilitas
ρ dari statistik JB signifikansi
α = 5 maka dapat dikatakan model sudah memiliki residual yang berdistribusi normal. Sebaliknya jika nilai probabilitas
ρ dari statistik JB signifikansi
α = 5 maka menolak hipotesis artinya residual mempunyai distribusi tidak normal Widarjono, 2009:49.
b. Uji Multikolinieritas Multikolinieritas adalah hubungan linier antara variabel independen di
dalam regresi berganda. Masalah ini timbul pada data time series dimana korelasi
antar variabel bebas cukup tinggi. Hal ini timbul karena kedua data mengandung unsur trend yang sama yaitu data naik dan turun secara bersamaan. Cara
mendeteksi adanya multikolinieritas adalah dengan menguji koefisien regresi r antar variabel independen. Rule of thumb yang berlaku bagi multikolinieritas
adalah jika koefisien korelasi cukup tinggi yaitu di atas 0,85 maka diduga ada multikolinieritas dalam model, sebaliknya jika koefisien korelasi relatif rendah
maka diduga model tidak mengandung unsur multikolinieritas Widarjono, 2009:106.
c. Uji Otokorelasi Otokorelasi merupakan pelanggaran asumsi klasik yang menyatakan
bahwa dalam pengamatan yang berbeda tidak terdapat korelasi antar error term Sarwoko, 2005:127. Secara harfiah otokorelasi berarti adanya korelasi antara
anggota observasi satu dengan lain yang berlainan waktu. Dalam kaitannya dengan asumsi metode OLS, otokorelasi merupakan korelasi antara satu variabel
gangguan dengan variabel gangguan lain, sedangkan salah satu asumsi penting metode OLS berkaitan dengan variabel gangguan adalah tidak ada hubungan
antara variabel gangguan satu dengan variabel gangguan yang lain. Untuk melihat ada tidaknya masalah otokorelasi dalam metode penelitian
ini yaitu dengan metode Lagrange Multiplier LM. Pendekatan yang digunakan untuk mengetahui ada tidaknya otokorelasi adalah dengan melakukan uji
Lagrange Multiplier LM. Pedoman yang digunakan adalah jika nilai chi-squares
χ hitung lebih kecil dari nilai kritis chi-squares
χ pada
α = 5 maka menerima hipotesis nol H
artinya model tidak mengandung unsur otokorelasi. Jika nilai
probabilitas chi-squares χ
α = 5, maka model terkena otokorelasi dan sebaliknya jika nilai probabilitas chi-squares
χ α = 5, maka model terbebas
dari masalah otokorelasi Widarjono, 2009:148. d. Uji Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linier klasik adalah varian residual yang bersifat konstan. Masalah heteroskedastisitas muncul apabila
residual dari model regresi yang kita amati memiliki varian yang tidak konstan atau berubah-ubah dari satu observasi ke observasi lain. Jika dalam model regresi
adanya heteroskedastisitas maka estimator OLS tidak menghasilkan estimator BLUE Widarjono, 2009:117. Pengujian heteroskedastisitas dengan uji formal
yaitu uji ARCH yang tersedia di Eviews Usman dan Nachrowi, 2006:114. Jika nilai
probabilitas ObsR-squared
α=5, maka model terkena heteroskedastisitas dan sebaliknya jika nilai probabilitas ObsR-squared
α =5, maka model terbebas dari masalah heteroskedastisitas.
e. Uji Linieritas Uji linieritas dilakukan karena penelitian ini menggunakan data time
series . Untuk mengetahui suatu model linier atau tidak dilakukan uji Ramsey
RESET atau uji kesalahan spesifikasi regresi. Kriteria pengujiannya, jika nilai F hitung lebih besar dari nilai F kritisnya pada α tertentu α = 5 berarti signifikan,
maka menerima hipotesis bahwa model kurang tepat. Sebaliknya, jika nilai F hitung lebih kecil dari nilai F kritisnya berarti tidak signifikan, maka model tepat.
Widarjono, 2009:172.
3.8. Uji Hipotesis
