5.3.2 Evaluasi Model
Berdasarkan hasil pengolahan data pada Tabel 5.5, nilai probabilitas pada F
stat
sama dengan 0,000 lebih kecil dari 0,05, sehingga dikatakan terdapat minimal satu variabel yang berpengaruh nyata dalam model. Nilai koefisien determinasi
R-squared yang diperoleh sebesar 98,30 persen. Hal ini menunjukkan bahwa sebesar 98,30 persen keragaman ketahanan pangan dapat dijelaskan oleh variabel
- variabel bebasnya, sedangkan sisanya sebesar 1,7 persen mampu dijelaskan oleh faktor - faktor di luar model.
Penggunaan panel data dapat mengabaikan pelanggaran asumsi multikolinearitas. Hal ini dikarenakan dengan penggabungan data cross section
dan time series yang dapat mengurangi kolinearitas. Selain itu model ini memiliki R-squared yang tinggi yaitu sebesar 0,98 dan Uji-F yang nyata yaitu sebesar
0,000. Dalam model yang meliputi 8 variabel independent terdapat 3 variabel yang tidak signifikan yaitu pengeluaran pemerintah, banyaknya fasilitas kesehatan
dan jumlah penduduk berpendidikan tamat SMP. Hal ini dapat disimpulkan bahwa dalam pengolahan data tidak terjadi pelanggaran asumsi multikolinearitas.
Tabel 5.6 Hasil Uji Normalitas model ketahanan pangan
Model Jarque-Bera
Probability
Ketahanan Pangan 1.911008
0,384618 Sumber : Lampiran 6
Pada hasil uji normalitas Tabel 5.6 probabilitas Jaque Bera lebih besar daripada taraf nyata yang digunakan 0,384618 0,05. Berdasarkan hal tersebut
maka sudah cukup bukti residual dalam model ini sudah dinyatakan menyebar normal. Pada uji autokorelasi dapat dilihat dari nilai Durbin Watson yang
diperoleh. Nilai Durbin Watson
stat
yang diperoleh dari hasil pengolahan data adalah sebesar 1,33. Hasil estimasi yang telah dilakukan tidak dapat menentukan
ada tidaknya autokorelasi. Hasil nilai Dw sebesar 1,33 dalam kerangka identifikasi autokorelasi menunjukkan hasil tidak dapat ditentukan. Namun dalam
pendekatan fixed effect tidak mensyaratkan persamaan terbebas dari masalah autokorelsi, sehingga asumsi adanya autokorelasi dapat diabaikan Firdaus, 2004.
Sedangkan untuk melihat asumsi heteroskedastisitas Lampiran 7, dapat dilihat dari nilai Sum Square Residual pada Weighted Statistics 7,025397 lebih
kecil dari Sum Square Residual pada Unweighted Statistics 8,048031. Berdasarkan hal ini, maka dapat dikatakan bahwa model ini terindikasi
pelanggaran asumsi heteroskedastisitas. Untuk menghilangkan heteroskedastisitas ini adalah dengan memberi perlakuan cross section weight dan white-
heteroskedastisity-consistent covarianve. Sehingga dapat disimpulkan masalah
heteroskedastisitas sudah dapat teratasi, karena dalam mengetimasi model telah menggunakan metode GLS generalized least square dengan white
heteroscedastisity sebagai pembobot Gujarati, 2003.
Dalam menganalisis uji T dapat diinterpretasi menggunakan nilai probabilitas t-statistik yang diharapkan dapat mendekati nilai nol. Apabila nilai
probabilitasnya semakin kecil maka akan semakin cukup bukti untuk menyatakan bahwa variabel bebas yang digunakan signifikan terhadap variabel tak bebasnya.
Signifikansi dari variabel bebas ini ditunjukkan dengan lebih kecilnya probabilitas daripada taraf nyata yang digunakan yaitu taraf 10 persen 0,1. Selain itu yang
harus diperhatikan adalah pada nilai koefisien apakah sesuai dengan hipotesis awal yang telah dirumuskan.
5.3.3 Dana Alokasi Umum