BAB III METODE PENELITIAN
3.1. Jenis dan Sumber Data
Sumber data yang digunakan dalam penelitian ini adalah data sekunder bersumber dari Badan Pusat Statistik BPS dan Bank Indonesia BI. Data yang
digunakan dalam analisis statistik regresi linier berganda adalah data time series triwulanan. Adapun data yang digunakan adalah:
1. Data pengeluaran rumahtangga yang diperoleh dari data PDRB penggunaan atas harga konstan tahun 2000 selama periode tahun 2000
– 2010.
2. Data pendapatan nasional yang diperoleh dari data PDB penggunaan atas harga konstan tahun 2000 selama periode tahun 2000
– 2010. pendapatan nasional diperoleh dari nilai Produk Domestik Bruto PDB dikurangi
dengan pendapatan faktor produksi netto dari luar negeri, pajak tidak langsung netto, dan penyusutan.
3. Data suku bunga tabungan selama periode tahun 2000 – 2010 yang
meliputi semua jenis bank. 4. Data laju inflasi yang diperoleh dari perubahan Indeks Harga Konsumen
IHK yang telah diolah dengan tahun dasar 2000 selama periode tahun 2000
– 2010. 5. Data pertumbuhan investasi selama periode tahun 2000
– 2010.
3.2. Metode Analisis Data
3.2.1. Analisis Statistik Deskriptif
Analisis statistik diskriptif digunakan untuk memberikan gambaran umum secara sederhana dinamika variabel ekonomi yang digunakan dalam analisis
regresi dari tahun 2000-2010 dan variabel nonekonomi lainnya. Beberapa variabel ekonomi yang akan dijelaskan meliputi PDB, pengeluaran konsumsi
rumahtangga, pendapatan nasional, jumlah dan suku bunga tabungan, inflasi, dan pertumbuhan investasi. Sedangkan variabel nonekonomi yang akan dijelaskan
meliputi penduduk, kemiskinan dan ketenagakerjaan. Semua variabel yang dianalisis ditunjukan melalui bantuan tabel dan grafik untuk mempermudah
interpretasi dan gambaran baik kondisi ekonomi maupun nonekonomi Indonesia. 3.2.2.
Analisis Regresi Linier Berganda
Regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan antara variabel tak bebas dependent variable dan variabel bebas
independent variable. Model yang diperoleh disebut model regresi linear berganda jika variabel bebas yang digunakan lebih dari satu. Dalam penelitian ini,
regresi linear berganda digunakan untuk melihat pengaruh variabel independen terhadap variabel dependen. Model yang dihasilkan akan mampu menggambarkan
seberapa besar pengaruh masing-masing variabel independen melalui koefisien parameternya.
Persamaan regresi linier berganda adalah : Y =
β +
β
1
X
1
+ β
2
X
2
+ β
3
X
3
+ ..... + β
n
X
n
+ ε
t
Keterangan :
Y = Variabel tidak bebas dependen
β = Konstanta intercep
β
1
,…, β
n
= Koefisien regresi X
1
,…, X
n
= Variabel bebas independen ε
t
= Error kesalahan pengganggu pada waktu t Variabel-variabel yang digunakan dalam model regresi linier berganda
dari fungsi konsumsi rumahtangga pada penelitian ini adalah sebagai berikut: 1 Variabel tidak bebas
Variabel tidak bebas yang digunakan adalah nilai pengeluaran konsumsi rumahtangga yang diperoleh dari PDB penggunaan selama tahun 2000
– 2010 dalam satuan triliun rupiah.
2 Variabel bebas Ada lima variabel bebas yang dimasukkan dalam model fungsi konsumsi
rumahtangga. Pertama adalah nilai pendapatan nasional dihitung dalam satuan triliun rupiah, kedua adalah tingkat suku bunga tabungan dalam satuan
persen, ketiga adalah tingkat inflasi dalam satuan persen, keempat adalah pertumbuhan investasi dalam satuan persen, dan kelima adalah variabel
dummy kenaikan BBM. Model analisis yang digunakan dalam penelitian untuk menguji
permasalahan terkait faktor-faktor yang memengaruhi konsumsi rumahtangga, digunakan persamaan regresi linier berganda sebagai berikut:
HC = β
+ β
1
NI + β
2
SIR + β
3
INF + β
4
INV + β
5
DUM + ε
Dimana: HC
= Pengeluaran konsumsi rumahtangga triliun NI
= Pendapatan nasional triliun SIR
= Suku bunga tabungan persen INF
= Laju inflasi persen INV
= Pertumbuhan investasi persen DUM
= Dummy kenaikan BBMDUM=0, tidak ada kenaikan BBM, DUM=1, ada kenaikan BBM
β = Konstanta
β
1
, β
2
, β
3
, β
4
, β
5
= Koefisien regresi masing-masing variabel
3.2.2.1. Asumsi Regresi Linier Berganda
Ada empat asumsi yang harus dipenuhi untuk membentuk sebuah model persamaan regresi linier berganda, yaitu:
a. Asumsi Normalitas atau
, ~
2
N
i
Maksudnya adalah setiap sisaan
i, i=1,2,3,..,n
distribusikan secara normal dengan rata-rata nol dan varians sama dengan
2
. b. Asumsi Autokorelasi
Autokorelasi mengandung arti ada korelasi atau hubungan yang berurutan antara sisaan dari suatu observasi dengan sisaan observasi yang lain. Jika
tidak ada hubungan yang berurutan antar sisaan dikatakan tidak ada
autokorelasi. Misalkan
i
dan
j
menyatakan residual dari variabel sisaan i dan j, maka:
cov μ
i
, μ
j
| X
i
X
j
= E[μ
i
– Eμ
i
|X
i
][μ
j
– Eμ
j
|X
j
] cov
μ
i
, μ
j
| X
i
X
j
= E[μ
i
|X
i
.Eμ
j
|X
j
= 0, untuk tiap i ≠ j c. Asumsi Heteroskedastisitas
Secara teknis homoskedastisitas atau penyebaran sama adalah asumsi yang menyatakan bahwa sisaan dari observasi memiliki varians yang sama.
var μ
i
| X
i
= E[μ
i
– Eμ
i
|X
i
]
2
= Eμ
i 2
|X
i
= σ
2
. Maksudnya adalah varian dari kesalahan pengganggu merupakan suatu konstanta positif yang sama dengan
σ
2
. Jika var μ
i
| X
i
≠ σ
2
maka dapat disimpulkan terjadi heteroskedastisitas antar sisaan dalam model.
d. Asumsi Multikolinearitas Artinya adalah tidak terdapat hubungan linier yang pasti antara variabel-
variabel bebas yang menjelaskan. Metode kuadrat terkecil akan menghasilkan estimator yang mempunyai sifat
linier, tidak bias dan mempunyai varian yang minimum atau biasa disebut Best Linier Unbiased Estimator
BLUE jika memenuhi keempat asumsi tersebut.
3.2.2.2. Pemeriksaan dan Pengujian Asumsi Model
Pemeriksaan dan pengujian asumsi dilakukan untuk melihat ada atau tidaknya pelanggaran terhadap keempat asumsi dalam model regresi linier
berganda dengan metode OLS. Tiga asumsi yang pertama, yakni kenormalan, autokorelasi dan heteroskedastisitas berkaitan dengan sisaan dalam model,
sehingga jika salah satu tidak terpenuhi maka estimator menjadi kurang valid atau
tidak efisien dan tidak bersifat BLUE. Sedangkan asumsi multikolinieritas berkaitan dengan hubungan yang kuat antarvariabel bebas. Jika asumsi
multikolinieritas tidak terpenuhi, estimator masih bersifat BLUE namun memiliki
varian dan kovarian yang besar sehingga sulit dipakai sebagai alat estimasi. a. Uji Kenormalan
Pemeriksaan asumsi ini bertujuan untuk mengetahui apakah distribusi dari residual menyebar normal dengan rata-rata nol dan varian
σ
2
. Salah satu metode yang banyak digunakan untuk menguji normalitas adalah Jarque-Bera test. Uji
ini mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila datanya bersifat normal. Hipotesis yang digunakan adalah :
H : Error berdistribusi normal.
H
1
: Error tidak berdistribusi normal. Uji statistik ini dapat dihitung dengan rumus berikut :
2 2
3 4
1 6
K S
n JB
dimana: n = jumlah sampel degrees of freedom
S = skewness
K = kurtosis
Jarque-Bera test mempunyai distribusi chi square
χ
2
dengan derajat bebas dua. Jika hasil Jarque-Bera test lebih besar dari nilai chi square
pada α = 5 persen, maka tolak hipotesis nol yang berarti error tidak berdistribusi normal. Jika
hasil Jarque-Bera test lebih kecil dari nilai chi square pada α = 5 persen, maka
terima hipotesis nol yang berarti error berdistribusi normal.
b. Uji Autokorelasi
Autokorelasi menggambarkan terdapatnya hubungan antar error. Adanya autokorelasi ini menyebabkan parameter yang akan diestimasi
menjadi tidak efisien. Untuk menguji ada tidaknya autokorelasi menggunakan Breusch-Godfrey Serial Correlation LM Test
. Hipotesis uji ini adalah : H
: Tidak ada masalah otokorelasi H
1
: Ada masalah otokorelasi Jika nilai Obs R-squared nilai kritis maka H
ditolak yang berarti terdapat autokorelasi atau P-value
α maka H ditolak yang berarti terdapat
autokorelasi. Beberapa cara untuk mengatasi autokorelasi antara lain : 1. Menambahkan variabel Auto Regressive.
2. Menambahkan lag variabel independen atau lag variabel dependen. 3. Dengan melakukan differencing atau melalukan regresi nilai turunan.
c. Uji Heteroskedastisitas
Ada beberapa metode yang dapat digunakan untuk mendeteksi ada tidaknya masalah heteroskedastisitas antara lain uji Breusch-Pagan-Godfrey
test dan White test. White test merupakan generalisasi dari Breusch-Pagan-
Godfrey test yang juga memasukkan nilai residual yang dikuadratkan, tetapi
mengeluarkan unsur-unsur yang memiliki order yang lebih tinggi. Konsekuensinya White test digunakan untuk mendeteksi bentuk-bentuk yang
lebih umum dari heteroksedastisitas dibandingkan dengan Breusch-Pagan test. Hal ini menyebabkan para peneliti lebih banyak menggunakan Breusch-Pagan-
Godfrey test untuk mendeteksi ada tidaknya masalah heteroskedatisitas.
Breusch-Pagan test merupakan lagrange multiplier test untuk
heteroskedastisitas. Metode ini merupakan perhitungan yang sederhana menggunakan R square R
2
dari beberapa persamaan yang diregresikan. Rumus Breusch-Pagan-Godfrey test dinyatakan sebagai berikut:
dimana: h = unsur yang tidak diketahui, yaitu fungsi yang diturunkan secara
kontinu tidak tergantung pada i sehingga h. 0 dan h0 = 1. s = varian
z = variabel yang memengaruhi distrubance terms variance.
Hipotesisnya adalah: H
: Tidak terdapat heteroskedastistas
H
1
: Terdapat heteroskedastisitas
Rumus paling sederhana dari Breusch-Pagan-Godfrey test dapat dihitung sebagai hasil kali antara jumlah observasi N dan R
2
. Secara matematika dirumuskan sebagai berikut:
Breusch-Pagan test mempunyai distribusi chi square dengan derajat
bebas satu. Apabila chi square hitung lebih besar dari chi square tabel pada α = 5 persen, maka tolak hipotesis nol yang berarti terjadi heteroskedastisitas.
Apabila chi square hitung lebih kecil dari chi square tabel pada α = 5
persen, maka terima hipotesis nol yang berarti tidak ada heteroskedastisitas.
d. Uji Multikolinieritas
Kategori