Metode Analisis Data METODOLOGI PENELITIAN
sama dalam berbagai kurun waktu. Dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu sehingga perilaku data
antar perusahaan diasumsikan sama dalam berbagai kurun waktu. Pada dasarnya model common effect sama seperti OLS dengan
meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja melainkan data panel yang
diterapkan dalam bentuk pooled. Bentuk untuk model ordinary least square adalah:
b. Metode Fixed Effect Model FEM Model Fixed Effect adalah teknik mengestimasi data panel
dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Pengertian Fixed Effect ini didasarkan adanya
perbedaan intersep antara perusahaan namun intersepnya sama antar waktu time in variant. Disamping itu, model ini juga mengasumsikan
bahwa koefisien regresi slope tetap antar perusahaan dan antar waktu. Salah satu cara paling sederhana untuk mengetahui perbedaan adalah
dengan mengasusmsikan bahwa intersep adalah berbeda antar perusahaan sedangkan slopenya tetap sama antar perusahaan.
Pendekatan dengan variabel dummy ini dikenal dengan sebutan fixed Y
it
= β + β
1
X
1it
+ β
2
X
2it
+ Ɛ
it
Effect Model atau least square dummy LSDV atau disebut juga covariance model.
Persamaan dengan menggunakan Fixed Effect Model dapat ditulis dalam bentuk sebagai berikut:
c. Metode Random Effect Model REM Random effect model merupakan metode estimasi model regresi
data panel dengan asumsi koefisien slope dan intercept berbeda antar individu dan antar waktu random effect. Terdapatnya variabel dummy
di dalam fixed effect model bertujuan untuk mewakili ketidaktahuan tentang model yang sebenarnya. Namun, ini juga membawa
konsekuensi berkurangnya derajat kebebasan degree of freedom yang pada akhirnya mengurangi efisiensi parameter. Masalah ini bisa diatasi
dengan menggunakan variabel gangguan error term yang dikenal dengan metode Random Effect.. Model ini akan mengestimasi data
panel dimana variabel gangguan mungkin saling berhubungan antar waktu dan antar individu. Model yang tepat digunakan untuk
mengestimasi Random Effect adalah Generalized Least Square GLS sebagai estimatornya, karena dapat meningkatkan efisiensi dari least
square. Y
it
= β + β
1
X
1it
+ β
2
X
2it
+ β
3
X
3it
+ β
4
D
1i
+ β
5
D
2i
+…..+ Ɛi
t
Persamaan dengan menggunakan Random Effect Model dapat ditulis dalam bentuk sebagai berikut:
Dimana : ui~
N 0, σu2 = komponen cross section error vt~ N 0,
σv2 = komponen time series error wit~ N 0, σw2 = komponen error kombinasi
2. Pemilihan Model Data Panel Untuk memilih model mana yang paling tepat digunakan untuk
pengolahan data panel, maka terdapat beberapa pengujian yang dapat dilakukan, antara lain:
14
a. Uji Chow Uji Chow adalah pengujian untuk memilih apakah model
digunakan pooled least square model atau fixed effect model. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut:
H = Pooled Least Square Model PLS Common Effect
Ha = Fixed Effect Model FEM
14
Ibid, hlm. 362.
Y
it
= α1 + bjXj it + Ɛit dengan Ɛit = ui + vt + wit
Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitungan F statistic dengan F tabel. Perbandingan
dipakai apabila hasil F hitung dari F tabel, maka H0 ditolak yang berarti model yang lebih tepat digunakan adalah fixed effect model.
Sebaliknya, jika F hitung dari F tabel, maka Ho diterima dan model yang lebih tepat digunakan adalah common effect model.
15
Perhitungan F statistic untuk Uji Chow dapat dilakukan dengan rumus:
Dimana: RRSS = Restricted residual sums of square error dari model common
effect URSS = Unrestricted residual sums of squares dari model fixed effect
N = Jumlah individual cross section T = Jumlah series waktu time series
K = Jumlah variabel independen dan dependen
15
Gujarati, N Damoda r dan Dawn C Porter, “ Basic Econometrics”, Fifth Edition, Mc Graw Hill
International edition, Singapore, 2009, hlm. 278.
F = −
N − �. − � − �
Sedangkan F tabel didapat dari:
b. Uji Hausman Hausman test adalah pengujian statistik untuk memilih apakah
model fixed effect atau random effect lebih tepat digunakan dalam regresi data panel. Uji ini dikembangkan oleh Hausman dengan
didasarkan pada ide bahwa LSDV di dalam model fixed effect dan GLS adalah efisien sedangkan model OLS adalah tidak efisien, di lain pihak
alternatifnya metode OLS efisien dan GLS tidak efisien. Karena itu uji hipotesis nolnya adalah hasil estimasi keduanya tidak berbeda sehingga
uji hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut. Pengujian dilakukan dengan hipotesis berikut:
16
H : Random Effect Model
H
a
: Fixed Effect Model Jika chi-square hitung chi-square tabel berarti H
ditolak, artinya model yang digunakan adalah fixed effect model. Jika chi-
16
Agus Widarjono, “Ekonometrika Pengantar dan Aplikasinya: Disertai Panduan Eviews”, Edisi
Keempat, Yogyakarta: UPP STIM YKPN, 2013, hlm. 364.
F-tabel = α : df n-1, nt-n-k
square hitung chi square tabel berarti H
1
ditolak, artinya model yang digunakan adalah fixed effect model.
17
3. Uji Statistik a. Uji R
2
Koefisien Determinasi Koefisien determinasi adalah salah satu nilai statistik yang
dapat digunakan untuk mengetahui ada hubungan pengaruh antara dua variabel. Nilai koefisien determinasi menunjukkan persentase variasi
nilai variabel dependen yang dapat dijelaskan oleh persamaan regresi yang dihasilkan. Nilai R
2
pada suatu persamaan regresi menunjukkan hubungan pengaruh variabel Y sebagai variabel dependen dan
variabel X sebagai variabel independen dari hasil perhitungan tertentu.
18
Besarnya koefisien determinasi adalah 0 sampai dengan 1. Semakin mendekati nol besarnya koefisien determinasi R
2
suatu persamaan regresi, semakin kecil pula pengaruh semua variabel
independen terhadap nilai variabel dependen, dengan kata lain semakin kecil kemampuan model dalam menjelaskan perubahan nilai variabel
dependen. Sebaliknya semakin mendekati satu besarnya koefisien
17
Gujarati, N Damodar dan Dawn C Porter, “ Basic Econometrics”, Fifth Edition, Mc Graw Hill
International edition, Singapore 2009, hlm. 605.
18
Algifari, “Analisis Regresi Teori, Kasus, dan “olusi edisi 2 , Yogyakarta : BPFE-Yogyakarta, 2013, hlm. 45
determinasi R
2
suatu persamaan regresi, semakin besar pula pengaruh semua variabel independen terhadap variabel dependen, dengan kata
lain semakin besar kemampuan model yang dihasilkan dalam menjelaskan perubahan nilai variabel dependen.
19
Hal ini juga berlaku pada Adjusted R
2
di mana semakin mendekati angka 1 maka akan semakin baik. Adapun yang digunakan dalam penelitian ini adalah nilai
Adjusted R
2
pada saat mengevaluasi model regresi terbaik. Tidak seperti R
2
, nilai Adjusted R
2
dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model.
Koefisien determinasi R
2
memiliki kesalahan, yaitu bias terhadap jumlah varaibel bebas yang dimasukkan dalam model regresi
dimana setiap penambahan satu variabel bebas dan jumlah pengamatan dalam model akan meningkatkan nilai R
2
meskipun variabel yang dimasukkan tersebut tidak memiliki pengaruh yang signifikan terhadap
variabel tergantungnya. Untuk mengurangi kesalahan kelemahan tersebut maka digunakan koefisien determinasi yang telah disesuaikan,
adjusted R
2
. Koefisien determinasi yang telah disesuaikan berarti bahwa koefisien tersebut telah dikoreksi dengan memasukan jumlah
variabel dan ukuran sampel yang digunakan. Dengan mengunakan koefisien determinasi yang disesuaikan maka nilai koefisien
19
Ibid, hlm. 68
determinasi yang disesuaikan itu dapat naik atau turun oleh adanya penambahan variabel baru dalam model.
b. Uji Signifikansi secara Simultan Uji F Untuk menyimpulkan apakah model masuk dalam kategori
cocok fit atau tidak, kita harus membandingkan nilai F hitung dengan nilai F tabel dengan derajat bebas: df: α, k-1, n, k, dimana k adalah
jumlah variabel independen dan dependen dan n adalah jumlah pengamatan ukuran sampel. Dasar pengambilan keputusannya adalah
jika nilai F hitung F tabel, maka H ditolak dan H
1
diterima yang berarti bahwa variabel independen secara simultan berpengaruh
signifikan terhadap variabel dependen, tetapi jika F hitung F tabel, maka H
diterima dan H
1
ditolak yang berarti bahwa variabel independen secara simultan tidak berpengaruh terhadap variabel
dependen.
20
Uji statistik F pada dasarnya menunjukan apakah variabel independen atau bebas yang dimasukkan dalam model mempunyai
pengaruh yang
secara bersama-sama
terhadap variabel
dependenterikat.
20
Suliyanto, “Ekonometrika Terapan Teori dengan SPSS” , Yogyakarta: CV Andi Offset ,2011, hlm. 61- 62.
Langkah —langkah yang harus dilakukan pada uji-F yaitu
dengan pengujian hipotesis : 1 H
: βi = 0, artinya variabel bebas independen tidak terdapat pengaruh signifikan terhadap variabel terikat dependen
2 H
a
: βi ≠ 0, artinya variabel bebas independen terdapat pengaruh signifikan terhadap variabel terikat dependen.
Pengambilan keputusan dilakukan dengan kriteria bila nilai F
hitung
daripada F
tabel
atau tingkat signifikansinya lebih kecil dari 5 α : 5 = 0.05 maka hal ini menunjukkan bahwa Hₒ ditolak dan Ha
diterima, yang berarti bahwa variabel independen mempunyai pengaruh yang signifikan terhadap variabel dependen secara simultan.
c. Uji Parsial Uji Statistik t Uji t digunakan untuk menganalisis pengaruh variabel
independen terhadap variabel dependen secara parsial pada tingkat signifikansi 0.05 5. Langkah
—langkah yang harus dilakukan dengan uji-t yaitu dengan pengujian hipotesis :
1 H
0 :
βi = 0, artinya variabel bebas independen tidak terdapat pengaruh signifikan terhadap variabel terikat dependen
2 H
a :
β
i
≠ 0, artinya variabel bebas independen terdapat pengaruh signifikan terhadap variabel terikat dependen.
Pengambilan keputusan dilakukan dengan kriteria bila t
hitung
t
tabel
atau signifikan t α : 5 0.05 maka Hₒ ditolak dan Hₐ diterima, yang berarti terdapat pengaruh signifikan secara parsial variabel
independen terhadap variabel dependen.
69