Analisis Data dan Pembahasan

D. Analisis Data dan Pembahasan

1. Analisis Regresi Berganda Untuk membuktikan hipotesis yang telah dikemukakan, dilakukan analisis data yang telah diperoleh, yaitu data tentang pendapatan, modal dagang, jam kerja, pengalaman dagang, jumlah tenaga kerja, dan pendidikan pedagang. Alat analisis yang digunakan dalam penelitian ini adalah analisis regresi berganda dengan variabel dependen

commit to user

dagang, jam kerja, pengalaman usaha, jumlah tenaga kerja, pendidikan pedagang.

a. Hasil Regresi Linear Tabel 4.14 Coefficient Regresi Log Linear

Variabel

Coefficient

LOG (MODAL)

0,319183

JAM KERJA

JUMLAH TENAGA KERJA

Sumber : data Primer, diolah Program Eviews 4.0

Berdasarkan tabel 4.14 diatas dapat diperoleh persamaan regresi sebagai berikut : LOG(PDPTN) = 6.444361076 + 0.3191826835*LOG(MDL) +

0.2088200068*JK + 0.01820930596*PNGLMN + 0.103793829*JTK + 0.07111021276*PNDKN

Selanjutnya berdasarkan persamaan diatas dapat diketahui nilai konstanta dan koefisien regresi yang menunjukkan kontribusi masing- masing variabel-variabel bebas terhadap variabel terikat. Dari hasil regresi tersebut dapat diketahui bahwa 5 (lima) variabel bebas yaitu,

commit to user

pedagang mempunyai t probabilitas lebih kecil dari batas signifikan 5% (0,05), yang berarti signifikan. Lebih lanjut dari hasil perhitungan koefisien kontribusi positif dalam hubungan terhadap pendapatan pedagang. Besarnya kontribusi pengaruh dari masing-masing variabel dapat dilihat dari nilai koefisien regresi dalam hasil analisis tersebut. Sifat variabel yang digunakan antara variabel terikat (Y) dengan variabel bebas (X) adalah konstan artinya bila koefisien regresi bertanda positif (+) maka bila X atau D bertambah, Y juga akan bertambah dan bila bertanda (-) maka bila X atau D bertambah maka Y akan berkurang.

1) Uji Asumsi Klasik

Persamaan yang baik dalam ekonomet harus memiliki sifat BLUE (Best Linear Unbrosed Estimator) Gujarati, 1999:(53). Untuk mengatakan apakah persamaan sudah memiliki sifat BLUE maka perlu dilakukan uji asumsi klasik yang meliputi multikolinieritas, heterokedastisitas, dan autokorelasi. Uji asumsi klasik yang digunakan adalah :

a) Uji Multikolinieritas Multikolinearitas merupakan suatu keadaan dimana terdapat lebih dari satu hubungan linear pasti diantara beberapa atau semua variabel independen dari model regresi. Cara untuk mendeteksi ada tidaknya multikolinearitas salah satunya adalah dengan

commit to user

r 2 . Pendekatan ini dapat dilakukan dengan meregresi tiap variabel bebas dengan variabel bebas lainnya, yang akan menghasilkan r 2 pada setiap regresi. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Apabila R 2 yang dihasilkan dalam suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen, hal ini salah satu yang menyebabkan terjadi multikolinearitas. Dengan melakukan regresi terhadap masing-masing variabel bebas diperoleh hasil sebagai berikut :

Tabel 4.15 Hasil Uji Multikolinearitas

Variabel

R²

r 2 Kesimpula n LOG(JK,PNGLMN,JTK,PNDKN)

0,603055

0.283925 Tdk ada LOG(MDL,PNGLMN,JTK,PNDKN)

0,603055

0.056395 Tdk ada LOG(MDL,JK,JTK,PNDKN)

0,603055

0.310130 Tdk ada LOG(MDL,JK,PNGLMN,PNDKN)

0,603055

0.243680 Tdk ada LOG(MDL,JK,PNGLMN,JTK)

0,603055

0.287604 Tdk ada Sumber : data Primer, diolah Program Eviews 4.0

b) Uji Heretokedastisitas Salah satu asumsi pokok dalam regresi linear adalah variansi residual dari suatu pengamatan lain ada tidak sama. Apabila variabel tersebut tidak sama maka berarti terjadi masalah Heteroskedastisitas. Uji Heteroskedastisitas untuk mengetahui adanya heteroskedastisitas dengan menggunakan Uji White. Perintah yang dapat dilakukan adalah dengan meregresi variabel

commit to user

diperoleh nilai Obs*R-Squared. Nilai Obs*R-squared tadi lalu dibandingkan dengan nilai Chi-Square. Dengan df sesuai jumlah regresi dan level of significant yang dipakai. Jika nilai Chi-Square lebih besar dari nilai Obs*R-squared (tidak signifikan), maka tidak terdapat heteroskedastisitas dalam model tersebut. Jika variabel independen tidak signifikan secara statistik tidak mempengaruhi variabel dependen, maka ada indikasi tidak terjadi masalah heteroskedastisitas.

Tabel 4.16 Hasil Uji White cross term

White Heteroskedasticity Test: F-statistic

1.828026 Probability

0.076428

Sumber : data Primer, diolah Program Eviews 4.0

X 2 (df =20, α=5%) = 15.31632 > 0.082606 → tidak ada heterokorelasi.

c) Uji Autokorelasi

Uji autokorelasi digunakan untuk mengetahui ada tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Salah satu cara

commit to user

DW) yang ketentuannya adalah sebagai berikut : (1) Menggunakan angka Dublin Watson yang diperoleh dari

rumus (Alhusin, 2003 dalam Prayitno, 2009)

Keterangan :

d : nilai Dublin Watson

e : residual

(2) Membandingkan angka dengan Dublin Watson dalam tabel a =5%. Angka dalam tabel menunjukkan nilai distribusi antara bawah (dl) dengan batas atas (du).

(3) Kriteria pengujiannya adalah :

Gambar 4.1 Uji autokorelasi

0<d<dl

= autokorelasi positif/menolak Ho

dl<d<dU

= tidak dapat disimpulkan

dU<d<4-dU

= tidak terdapat autokorelasdi/menerima Ho

4-dU<d<4-dl

= tidak dapat disimpulkan

4-dl<d< a

= autokorelasi negatif/menolak Ho

Tidak ada autokorelasi

Ragu-

Autokolerasi ragu

positif

Ragu- ragu

Autokolerasi negatif

0 dl=1,54

dU=1,78

4-dU=2,22 4-dl=2,46 2,12 4

commit to user

sebesar 2,12 menggunakan derajat keyakinan 5%, dengan jumlah sampel 87 responden dan variabel penjelas 5 (lima) maka nilai dl=1,54. Besarnya nilai koefisien DW dari hasil pengujian sebesar 2,12 terletak antara batas du sebesar 1,78 dan 4-du sebesar 2,22 maka du<d<4-du (1,78<2,12<2,22 ) sehingga dapat disimpulkan bahwa tidak ada masalah autokorelasi.

Tabel 4.17 Uji Autokorelasi BG

Breusch-Godfrey Serial Correlation LM Test: F-statistic

1.076947

Obs*R-squared

2.309054

Sumber : data Primer, diolah Program Eviews 4.0

Selain DW, dapat juga digunakan B-G test. Berdasarkan tabel 4.17 dapat diketahui bahwa nilai probabilitas semua variabel independen lebih besar dari Level Of Significance maka tidak terdapat Autokorelasi.

2) Uji Statistik

Uji statistik ini dilakukan untuk mengetahui kebenaran atau kepalsuan dari hipotesis nol. Ada 3 uji statistik yaitu :

a) Uji t

Uji dalam penelitian ini bertujuan untuk mengetahui besarnya pengaruh masing-masing variasi variabel independen

commit to user

menggunakan Level Of Significance (α) sebesar 5%. Kriteria pengujianlainnya dapat dilakukan adalah dengan

menguji signifikan tidaknya koefisien regresi yaitu dengan melihat melalui probabilitas. Jika nilai probabilitas yang didapat lebih kecil dari tingkat signifikan 5% maka Ho ditolak dan Ha diterima, yang berarti bahwa variabel bebas secara statistik mempunyai pengaruh yang signifikan terhadap variabel terikat, demikian juga sebaliknya. Jika nilai probabilitas yang didapat lebih besar dari tingkat signifikan 5% maka Ho diterima dan Ha ditolak yang berarti bahwa variabel bebas secara statistik tidak mempunyai pengaruh yang signifikan terhadap variabel terikat. Hasil uji t dapat dilihat dalam tabel berikut ini :

Tabel 4.18 Hasil Uji t

Variabel

t hitung

Probability Significant Level

Jam Kerja

0,0015 Sumber : data Primer, diolah Program Eviews 4.0

(1) Modal (X 1 ) Nilai t dari hasil perhitungan model regresi pada variabel X 1 sebesar 3.733533 dengan probabilitas sebesar 0,0003 pada tingkat α = 5% ini berarti koefisiensi regresi dari modal signifikan pada tingkat 5% maka Ho ditolak dan

commit to user

modal (X 1 ) secara statistik berpengaruh positif terhadap

meningkatnya pendapatan pedagang (Y). (2) Jam Kerja (X 2 ) Nilai t dari hasil perhitungan model regresi pada variabel X 2 sebesar 2.109920 dengan probabilitas sebesar 0,0380 pada tingkat α = 5% ini berarti koefisiensi regresi dari jam kerja tidak signifikan pada tingkat 5% maka Ho ditolak dan Ha diterima, sehingga dapat ditarik kesimpulan

bahwa jam kerja (X 2 ) secara statistik berpengaruh terhadap

meningkatnya pendapatan pedagang (Y). (3) Pengalaman (X 3 ) Nilai t dari hasil perhitungan model regresi pada variabel X 3 sebesar 2.557552 dengan probabilitas sebesar 0,0124 pada tingkat α = 5% ini berarti koefisiensi regresi dari pengalaman signifikan pada tingkat 5% maka Ho ditolak dan Ha diterima, sehingga dapat ditarik kesimpulan

bahwa pengalaman (X 3 ) secara statistik berpengaruh positif terhadap meningkatnya pendapatan pedagang (Y).

(4) Jumlah Tenaga Kerja (X 4 )

Nilai t dari hasil perhitungan model regresi pada variabel X 4 sebesar 2.774336 dengan probabilitas sebesar 0,0069 pada tingkat α = 5% ini berarti koefisiensi regresi

commit to user

Ho ditolak dan Ha diterima, sehingga dapat ditarik kesimpulan bahwa jumlah tenaga kerja (X 4 ) secara statistik berpengaruh positif terhadap meningkatnya pendapatan pedagang (Y).

(5) Pendidikan Pedagang (X 5 )

Nilai t dari hasil perhitungan model regresi pada variabel X 5 sebesar 3.288141 dengan probabilitas sebesar 0,0015 pada tingkat α = 5% ini berarti koefisiensi regresi dari pendidikan pedagang signifikan pada tingkat 5% maka Ho ditolak dan Ha diterima, sehingga dapat ditarik

kesimpulan bahwa pengalaman (X 5 ) secara statistik berpengaruh positif terhadap meningkatnya pendapatan pedagang (Y).

b) Uji F

Uji terhadap koefisien regresi persial secara bersama- sama. Uji ini dimaksudkan untuk mengetahui apakah variabel independen yang ada secara bersama-sama mempengaruhi variabel dependennya atau untuk mengetahui apakah persamaan model cukup eksis untuk digunakan.

Hasil uji F diketahui F hitung sebesar 24.61174 lebih besar dari F tabel 2,37 dengan probabilitas sebesar 0,000000 yang berarti signifikan pada α=5%. Hal ini berarti bahwa variabel

commit to user

dan pendidikan pedagang bersama-sama berpengaruh secara signifikan terhadap pendapatan pedagang kain di BTC Surakarta.

c) Uji R² (Koefisiensi Determinasi)

Digunakan untuk mengetahui seberapa jauh variasi dari variabel bebas dapat menjelaskan dengan baik variasi dari variabel terikat. Jika R 2 mendekati nol, maka variabel bebas tidak menjelaskan dengan baik variasi dari variabel terikatnya. Jika R 2 mendekati 1, maka variasi dari variabel tersebut dapat menerangkan dengan baik dari variabel terikatnya. Berdasarkan hasil estimasi pada tabel 4.14 diketahui nilai koefisien determinasi (R 2 ) sebesar 0,603055 ini berati 60% variasi variabel dependen (pendapatan) dapat dijelaskan oleh variabel independennya (modal, jam kerja, pengalaman, jumlah tenaga kerja, dan pendidikan pedagang), sedangkan sisanya (1-

R 2 ) yaitu 40% disebabkan variabel lain yang tidak ada dalam model