Metode dan Analisis Data

D. Metode dan Analisis Data

Guna menganalisis pengaruh variabel GDP per kapita negara tujuan ekspor, Kurs, Harga, Impor dan Inflasi terhadap ekspor non migas Provinsi Jawa Tengah, digunakan analisi regresi linier berganda (multiple regression ) guna dapat mengukur arah dan besaran pengruh beberapa variabel bebas (independent variabels) terhadap perkembangan ekspor non migas sebagai variabel terikat ( dependent variable). Pengolahan data dilakukan dengan program Econometric Views (E-Views) versi 4.0. adapun tahapan dalam menentukan metode analisis data adalah sebagai berikut. formulasi modelnya adalah :

Y=β 0 +β 1 X 1 +β 2 X 2 +β 3 X 3 +β 4 X 4 +β 5 X 5+ β 6 X 6+ β 7 X 7 +e i

Dimana : Y = ekspor non migas (dalam satuan rupiah)

X 1 = Harga (dalam satuan US$)

X 2 = impor (dalam satuan rupiah)

X 3 = Inflasi (dalam satuan persen)

X 4 = Kurs (dalam satuan rupiah)

commit to user

X 5 = GDP/kapita Amerika Serikat (dalam satuan US$)

X 6 = GDP/kapita Jepang (dalam satuan US$)

X 7 = GDP/kapita Singapor (dalam satuan US$) Ei = Variabel pengganggu

1. Uji Statistik

Uji statistik dilakukan untuk mengetahui kebenaran atau kepalsuan dari hipotesis nol. Ada tiga uji statistik yang dilakukan, yaitu:

a. Uji t Uji t ini digunakan untuk mengetahui apakah variabel independen (X) berpengaruh secara signifikan terhadap variabel dependen (Y), dengan beranggapan bahwa variabel independen lain tetap atau konstan. Signifikan artinya berarti atau pengaruh yang terjadi dapat berlaku untuk populasi. Langkah-langkah pengujian sebagai berikut :

b. Hipotesis

H 0 :β 1 = 0, artinya variabel independen secara individu tidak

berpengaruh signifikan terhadap variabel dependen.

H a : β 1 ≠ 0, artinya variabel independen secara individu

berpengaruh signifikan terhadap variabel dependen.

c. Menentukan Tingkat Signifikansi Tingkat signifikansi menggunakan 0,05 (α = 5%)

d. Daerah kritis

commit to user

Daerah tolak

Daerah terima

Daerah tolak

- T tabel

+ T tabel

Daerah Terima dan Daerah Tolak Uji t

e. Perhitungan uji t Nilai t hitung = dicari berdasarkan penghitungan hasil regresi pada tabel Coefficients. Nilai t tabel = dicari pada tabel statistik pada signifikansi 0,05/ 2 = 0,025 (uji 2 sisi)

df = n – k – 1 (k adalah jumlah variabel independen) Kesimpulan

: t hitung < t tabel, maka H 0 diterima t hitung > t tabel, maka H 0 ditolak

f. Uji F Uji F adalah suatu pengujian untuk mengetahui besarnya pengaruh variabel-variabel independen terhadap variabel dependen secara bersama-sama. Dalam hal ini membuktikan apakah faktor GDP per kapita negara tujuan ekspor, kurs, harga, impor dan inflasi memiliki hubungan yang signifikan terhadap pertumbuhan ekspor non migas.

Pengujian ini dilakukan dengan membandingkan nilai F hitung dengan F tabel. Jika F hitung lebih besar dari F tabel maka hasilnya adalah signifikan dan apabila F hitung lebih kecil dari F tabel maka hasilnya adalah tidak signifikan.

Langkah-langkah pengujian sebagai berikut:

commit to user

1) Menentukan hipotesis nol dan hipotesis alternatif

H 0 : β 1 =β 2 =β 3 =β 4 =β 5 =0

Artinya variabel GDP per kapita negara tujuan ekspor, kurs, harga, impor dan inflasi secara serentak tidak berpengaruh terhadap keuntungan.

Ha : β 1 ≠β 2 ≠β 3 ≠β 4 ≠β 5 ≠0

Artinya variabel GDP per kapita negara tujuan ekspor, kurs, harga, impor dan inflasi secara serentak berpengaruh terhadap keuntungan.

2) Menentukan taraf signifikansi. Tingkat signifikansi menggunakan 0,05 (α = 5%)

3)

Daerah kritis

Ho diterima apabila F tabel ≤ Fα; k -1 ; k(n – 1) Ho ditolak apabila F > F α; k -1 ; k(n – 1)

Daerah terima

Daerah tolak

F tabel F tabel = Fα; k-1 ; n – k

Daerah Terima dan Daerah Tolak Uji F

4) Perhitungan uji F

Nilai F hitung = dicari berdasarkan penghitungan hasil regresi pada tabel ANOVA. Nilai t tabel = dicari pada tabel statistik pada signifikansi 0,05 df1 = k–1; df2 = n-k (k adalah jumlah variabel independen)

commit to user

5) Kesimpulan

F hitung < F tabel, maka H 0 diterima

F hitung > F tabel, maka H 0 ditolak

g. Uji Koefisien Determinasi (R 2 )

Koefisien determinasi adalah untuk mengetahui berapa persen variasi variabel dependen dapat dijelaskan oleh variabel independen. Nilai R 2 terletak antara 1 dan 0. Jika nilai R 2 = 1 berarti garis regresi tersebut menjelaskan 100% variasi atau proporsi dalam variabel dependen dan sebaliknya jika nilai R 2 = 0, berarti model tersebut sama sekali tidak menjelaskan variasi dalam variabel dependen. Dari pernyataan itu maka dapat diartikan bahwa suatu model dapat dikatakan lebih baik apabila nilai koefisien determinasinya makin dekat dengan 1.

2. Uji Asumsi Klasik

Dalam regresi linear terdapat faktor pengganggu, model yang baik mengharapkan faktor-faktor pengganggu tidak muncul. Untuk mengetahui ada tidaknya faktor pengganggu dalam suatu model, maka digunakan pengujian asumsi klasik terhadap model tersebut.

a. Uji Normalitas Tujuan uji normalitas adalah untuk mengetahui apakah sudah dapat terpenuhi salah satu asumsi, bahwa data yang dianalisis dengan mengunakan statistik parametris harus terdistribusi normal. Metode yang digunakan untuk uji normalitas adalah uji Jarque-Bera (JB).

Kriteria pengujian : jika JB hitung < χ 2 tebel (probabilitas JB lebih besar 0,05), maka Ho diterima: residual terdistribusi normal.

commit to user

Sebaliknya jika JB hitung > χ 2 tabel ( probabilitas JB lebih kecil 0,05 ),

maka Ho ditolak : residual tidak terdistribusi normal.

Berarti sudah dapat terpenuhi salah satu asumsi, bahwa data yang dianalisis dengan mengunakan statistik parametrik harus terdistribusi normal.

b. Multikolinieritas Multikolinieritas adalah hubungan linier atau korelasi secara sempurna maupun tidak sempurna diantara beberapa atau semua variabel yang menjelaskan atau variabel penjelas dalam model regresi.

Untuk mendeteksi ada tidaknya multikolinearitas dengan melihat nilai Tolerance dan VIF (Variance Inflation Factor). Semakin kecil nilai Tolerance dan semakin besar VIF maka semakin mendekati terjadinya masalah multikolinearitas.

c. Heteroskedastisitas

Salah satu asumsi penting model linier klasik adalah varians tiap variabel pengganggu merupakan varian yang sama atau konstan atau terdapat asumsi heteroskedastisitas. Jika asumsi tersebut tidak dipenuhi, maka akan terjadi gejala heteroskedastisitas yaitu suatu keadaan dimana varian dari kesalahan pengganggu tidak sama untuk semua nilai variabel bebas.

Pada pembahasan ini akan dilakukan uji heteroskedastisitas dengan menggunakan Uji White, yaitu mengkorelasikan nilai residual (Unstandardized residual ) dengan masing-masing variabel

commit to user

independen. Jika signifikansi korelasi kurang dari 0,05 maka pada model regresi terjadi masalah heteroskedastisitas.

d. Autokorelasi Autokorelasi adalah keadaan dimana terjadinya korelasi dari residual untuk pengamatan satu dengan pengamatan yang lain yang disusun menurut runtun waktu. Model regresi yang baik mensyaratkan tidak adanya masalah autokorelasi.

Untuk mendeteksi ada tidaknya autokorelasi dengan dilakukan uji Durbin-Watson dengan prosedur sebagai berikut:

1) Menentukan hipotesis nol dan hipotesis alternatif

H 0 : β = 0, maka tidak terjadi autokorelasi

H a : β ≠ 0, maka terjadi autokorelasi

2) Menentukan taraf signifikansi. Taraf signifikansi menggunakan 0,05 (α = 5%)

3) Menentukan nilai d (Durbin-Watson) Nilai d yang didapat dari hasil regresi.

4) Menentukan nilai dL dan dU

Nilai dL dan dU dapat dilihat pada tabel Durbin-Watson pada signifikansi 0,05

5) Pengambilan keputusan

a) dU < d < 4 – dU maka H 0 diterima (tidak terjadi autokorelasi)

b) d < dL atau d > 4 – dL maka H 0 ditolak (terjadi autokorelasi)

c) dL < d < dL atau 4 – dU < d < 4 – dL maka tidak ada kesimpulan

commit to user