BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup dalam penelitian ini adalah ekonomi terbuka atau ekonomi internasional yang meliputi lima negara yang tergabung dalam Association of South East Asian Nation (ASEAN), yaitu Indonesia, Malaysia, Thailand, Filipina, dan Vietnam. Penelitian ini membahas mengenai pengaruh ekspor, Foreign Direct Investment (FDI), dan nilai tukar terhadap pertumbuhan ekonomi berdasarkan data tahunan mulai dari tahun 2005-2014.
B. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini merupakan data sekunder yang bersifat runtut waktu tahunan (time series) dari 2005-2014 dan data deret lintang (cross section) yang meliputi lima negara anggota Association of South East Asian Nation (ASEAN). Adapun negara tersebut meliputi Indonesia, Malaysia, Thailand, Filipina, dan Vietnam dengan menggunakan variabel Produk Domestik Bruto (PDB), ekspor, Foreign Direct Investment (FDI), dan nilai tukar tahun 20052014. Berikut adalah tabel 3.1. yang berisi sumber data-data penelitian:
47
Tabel 3.1. Data dan Sumber Data No.
Data
Sumber Data
1.
Produk Domestik Bruto
World Bank Database 2015
2.
Ekspor
World Bank Database 2015
3.
Investasi Asing Langsung (Foreign Direct World Bank Database 2015 Investment)
4.
Nilai Tukar
World Bank Database 2015
C. Definisi Operasional Variabel 1. Produk Domestik Bruto Definisi operasional variabel PDB berdasarkan World Bank Database 2015 adalah jumlah dari nilai bruto yang dihasilkan oleh seluruh produsen yang tinggal di suatu negara dalam perekonomian ditambah pajak produk dan dikurangi segala bentuk subsidi yang tidak termasuk dalam nilai produk. Dihitung tanpa memotong depresiasi dari aset yang diproduksi atau untuk deplesi dan degradasi sumber daya alam. Data dalam satuan harga konstan 2005. Dolar yang didapat untuk PDB dikonversikan dari mata uang domestik menggunakan nilai tukar resmi tahun dasar 2000. Bagi beberapa negara di mana nilai tukar resmi tidak secara efektif mencerminkan transaksi aktual mata uang asing, digunakanlah sebuah faktor konversi alternatif. Dalam penelitian ini variabel PDB yang digunakan adalah data dalam bentuk logaritma natural (ln) dan disimbolkan dengan “lnGDP”.
48
2. Ekspor Definisi operasional variabel ekspor berdasarkan World Bank Database 2015 adalah sejumlah barang dan jasa yang dihasilkan oleh suatu negara untuk negara lainnya di seluruh dunia. Termasuk di dalamnya adalah nilai barang yang diperdagangkan, angkutan, asuransi, transportasi, biaya perjalanan, royalti, biaya lisensi, dan jasa lainnya seperti komunikasi, konstruksi, keuangan, informasi, bisnis, jasa pribadi, dan juga pemerintah. Tidak termasuk di dalamnya kompensasi pegawai dan pendapatan investasi (biasa disebut factor services) dan transfer payments. Data dalam harga konstan tahun 2005. Dalam penelitian ini variabel ekspor yang digunakan adalah data dalam bentuk logaritma narutal (ln) dan disimbolkan dengan “lnEXP”. 3. Foreign Direct Investment (FDI) Definisi operasional variabel Foreign Direct Investment (FDI) berdasarkan World Bank Database 2015 adalah aliran masuk investasi neto untuk memperoleh bunga pengelolaan yang dapat bertahan lama (besaran FDI ditetapkan sebesar 10% atau lebih dari saham perusahaan) yang diinvestasikan ke dalam sebuah perusahaan yang berada di luar negara investor. Hal tersebut mencakup jumlah modal kekayaan, investasi ulang atas pendapatan, modal jangka panjang lainnya, dan modal jangka pendek seperti yang tercatat dalam neraca pembayaran. Variabel ini, yaitu Foreign Direct Investment, net inflows (BOP, current USD), menunjukkan aliran masuk (investasi yang masuk dikurangkan dengan penarikan investasi) dari laporan ekonomi investor asing. Dalam penelitian ini variabel FDI yang digunakan
49
adalah data dalam bentuk logaritma natural (ln) dan disimbolkan dengan “lnFDI”. 4. Nilai Tukar Definisi opersional variabel nilai tukar berdasarkan World Bank Database 2015 adalah nilai tukar mata uang domestik terhadap mata uang asing yang ditentukan oleh otoritas nasional atau pasar valuta asing. Data yang digunakan dalam penelitian ini adalah nilai tukar nominal resmi dari masingmasing negara dalam penelitian. Nilai tukar dihitung sebagai rata-rata tahunan berdasarkan rata-rata bulanan (setiap mata uang domestik terhadap dolar AS). Untuk memudahkan analisis data dalam penelitian ini variabel nilai tukar menggunakan Official Exhange Rate sebagai indikatornya dan dalam bentuk logaritma natural (ln) dan disimbolkan dengan “lnER”.
D. Metode Analisis Data Penelitian ini menggunakan analisis data panel, yaitu gabungan dari data runtut waktu (time-series) selama tahun 2005-2014 dan data deret lintang (crosssection) yang meliputi lima negara. Data-data yang telah dikumpulkan tersebut diolah dengan menggunakan software pengolahan data e-views 8. Data panel yang digunakan tersebut tergolong dalam panel seimbang (balance panel), karena masing-masing subjek (negara) mempunyai jumlah observasi yang sama (Gujarati dan Porter, 2012: 238). Maka, berdasarkan penelitian terdahulu, atau dalam Azam, et al. (2015), model regresi data panel untuk menganalisis data tersebut dalam bentuk logaritma natural (ln) adalah sebagai berikut: lnGDPit = γ0 + γ1 lnEXPit + γ2 lnFDIit + εit ........................................... (3.1)
50
Dengan menggunakan model data panel dalam Azam, et al. (2015) di atas, dalam penelitian ini menambahkan variabel nilai tukar, maka model regresi data panel menjadi sebagai berikut: lnGDPit = γ0 + γ1 lnEXPit + γ2 lnFDIit + γ3 lnERit + εit .............................(3.2) Keterangan: i = 1, 2, ....., N t = 1, 2, ....., T Dimana: GDP
= Produk Domestik Bruto (PDB) (USD)
EXP
= Ekspor (USD)
FDI
= Foreign Direct Investment (USD)
ER
= Nilai Tukar Mata Uang Domestik terhadap USD
γ0
= Intersep
γ1, γ2, γ3
= Koefisien regrasi masing-masing variabel penjelas
ε
= error correction term
N
= banyaknya observasi (Lima negara ASEAN)
T
= waktu
N×T
= banyaknya data panel
Penggunaan logaritma natural (ln) dalam penelitian ini untuk mendekatkan pada skala data yang parameternya langsung menunjukkan elastisitas. Menurut Gujarati dan Porter (2013: 208) salah satu ciri menarik dari model log linier adalah seluruh slope koefisien γ1, γ2, dan γ3 merupakan elastisitas variabel dependen terhadap variabel independen, yaitu presentase perubahan dalam variabel dependen yang disebabkan oleh perubahan presentase variabel independen.
51
Menurut Baltagi dalam Gujarati dan Porter (2012: 237) keunggulan penggunaan analisis data panel, sebagai berikut: 1. Dengan menggunakan analisis data panel akan menghasilkan keanekaragaman secara tegas dalam perhitungan dengan melibatkan variabel-variabel individual secara spesifik. 2. Analisis data panel memberikan informasi yang lebih banyak, variabilitas yang lebih baik, mengurangi hubungan antara variabel bebas, memberikan lebih banyak derajat kebebasan, dan lebih efisien. 3. Data panel lebih baik digunakan untuk melakukan studi mengenai dinamika perubahan. 4. Data panel mampu mendeteksi dan mengukur efek yang tidak dapat dilakukan oleh data time-series dan cros- section. 5. Data panel memungkinkan peneliti untuk mempelajari model perilaku yang lebih kompleks dibandingkan data time-series dan cross- section. 6. Data panel dapat meminimalkan bias dengan membuat data yang tersedia untuk beberapa ribu unit. Analisis data panel terdapat tiga metode pendekatan, yaitu common effect, pendekatan fixed effect model, dan pendekatan random effect model. Penjelasan mengenai tiga pendekatan tersebut adalah: 1. Common Effect: Pooled Least Square Metode Pooled Least Square (PLS) merupakan metode yang digunakan untuk mengestimasi data panel dengan menggabungkan seluruh observasi pada masing-masing variabel. Sehingga intersep dari semua objek cross-section sama, dengan kata lain metode ini mengasumsikan tidak ada perbedaan setiap individu
52
dalam berbagai kurun waktu (time-invariant) (Gujarati dan Porter, 2012: 240241). 2. Pendekatan Fixed Effect Model (FEM) Menurut Gujarati dan Porter (2012: 242), Fixed Effect Model (FEM) mengasumsikan bahwa terdapat perbedaan intersep antarindividu. Akan tetapi, koefisien (slope) dari variabel independen tetap sama antarindividu atau antarwaktu. Model FEM adalah sebagai berikut: lnGDPit = β1i + β2 lnEXPit + β3 lnFDIit + β4 lnERit + µit ........................(3.3) Dengan β1 sebagai intersep, β2, β3, dan β4 sebagai koefisien variabel independen. Pada FEM terdapat intersep yang berbeda-beda pada setiap individu cross-section sehingga menunjukkan perbedaan setiap individu tersebut. Meskipun intersep berbeda-beda untuk masing-masing individu, setiap intersep tidak berubah seiring dengan berjalannya waktu, dan hal tersebut dinamakan time-variant. Sedangkan, koefisien (slope) dari masing-masing variabel independen sama untuk setiap individual atau antar waktu. Menurut Gujarati dan Porter (2012: 244), Fixed Effect Model dapat dibedakan menjadi dua, yaitu: a. Model Fixed Effect Satu Arah Seperti pada model di atas bahwa setiap individu mempunyai intersep yang berbeda-beda, tetapi tidak berubah dengan seiring berjalannya waktu. b. Model Fixed Effect Dua Arah Dengan menambahkan efek waktu (time effect) pada setiap intersep dan efek waktu tersebut dapat dihitung dengan menggunakan dummy waktu.
53
3. Pendekatan Random Effect Model (REM) Apabila pendekatan dengan menggunakan variabel dummy faktanya justru mencerminkan keterbatasan pengetahuan mengenai model yang sebenarnya, lebih baik mencoba untuk mengabaikan melalui disturbance term. Pendekatan ini yang disebut pendekatan Random Effect Model (REM) atau Error Components Model (ECM) yang menggunakan asumsi bahwa β1i merupakan variabel random dengan nilai rata-rata dari β1. Selanjutnya nilai intersep untuk tiap individu dimodelkan sebagai berikut Gujarati dan Porter (2012: 250): β1i = β1 + εi
i = 1, 2, ..., N ...........................(3.4)
di mana εi adalah random error term dengan nilai rata-rata nol dan variance σε2. Terdapat perbedaan antara FEM dan ECM. Pada FEM setiap individu cross-section memiliki nilai intersep masing-masing. Sedangkan pada ECM, memiliki intersep bersama yang mewakili nilai rata-rata dari semua intersep (cross-section) dan komponen eror εi mewakilkan deviasi dari intersep individual terhadap nilai rata-rata tersebut (Gujarati dan Porter 2012: 251).
E. Uji Pemilihan Teknik Estimasi Untuk menentukan model terbaik yang dapat digunakan, peneliti harus melakukan uji pemilihan teknik estimasi regresi. Terdapat dua cara dalam melakukan pemilihan teknik estimasi untuk menentukan teknik yang paling tepat dalam mengestimasi parameter data panel. Pertama, uji Chow (Likelihood Ratio) digunakan untuk memilih antara metode Common Effect atau Fixed Effect. Kedua,
54
uji Hausman yang digunakan untuk memilih antara metode Fixed Effect atau metode Random Effect. Penjelasan mengenai uji pemilihan teknik estimasi yang digunakan dalam analisis data panel adalah sebagai berikut: 1. Uji Chow (Likelihood Ratio) Uji Chow dilakukan untuk memilih apakah pendekatan Common Effect atau Fixed Effect yang lebih baik digunakan untuk regresi data panel. Hipotesis dalam uji Chow adalah sebagai berikut: H0 : Common Effect Model (restricted) H1 : Fixed Effect Model (unrestricted) Apabila dalam hasil uji Chow nilai F-statistik > F-tabel atau probabilitasnya < taraf signifikansi, maka H0 ditolak dan Fixed Effect Model yang baik digunakan. Tetapi, jika hasil uji Chow menunjukkan nilai F-statistik < F-tabel atau probabilitasnya > taraf signifikansi, maka H0 diterima dan Common Effect Model yang digunakan. Untuk menghitung F-statistik didapat uji Chow dengan rumus (Gujarati dan Porter, 2013: 321):
𝐹=
2 2 (𝑅𝑈𝑅 −𝑅𝑅 )/𝑚 2 )/(𝑛−𝑘) (1−𝑅𝑈𝑅
……………………………………………….(3.5)
Keterangan R2UR
= Residual Sums of Squares (model Fixed Effect)
R2 R
= Residual Sums of Squares (model Common Effect)
m
= Jumlah restriksi linear
n
= Jumlah observasi
k
= Jumlah parameter
55
2. Uji Hausman Uji Hausman dilakukan untuk menentukan model estimasi data panel yang paling baik dan tepat antara Fixed Effect Model atau Random Effect Model. Menurut Judge dalam Gujarati dan Porter (2012: 255), ada beberapa hal yang harus diperhatikan untuk menentukan pendekatan mana yang dipilih (FEM atau ECM) dalam estimasi data panel. Hal tersebut adalah sebagai berikut: a. Jika T (jumlah data time-series) besar dan N (jumlah unit cross-section) kecil, kemungkinan akan ada sedikit perbedaan parameter yang diestimasi oleh FEM dan ECM. Dalam hal ini, FEM lebih disukai. b. Ketika N besar T kecil, hasil estimasi yang didapatkan dari kedua metode dapat berbeda secara signifikan. Jika unit atau cross-section diambil tidak random dari sampel yang besar maka FEM pantas untuk digunakan. Jika unit cross-section dianggap diambil secara acak maka ECM dapat digunakan. c. Jika εi (komponen error invividual) dan satu atau lebih variabel independen saling berkorelasi lebih baik menggunakan FEM dan jika εi dan satu atau lebih variabel independen tidak berkorelasi lebih baik menggunakan ECM. d. Jika N besar dan T kecil dan jika asumsi yang melandasi ECM terpenuhi, maka estimator ECM lebih efisien dibandingkan FEM. e. Tidak seperti FEM, ECM dapat mengistimasi koefisien dari variabel yang tidak dipengaruhi waktu seperti gender dan etnisitas. Hipotesis dalam uji Hausman adalah sebagai berikut: 1) H0 = model yang dipilih Random Effect Model 2) H1 = model yang dipilih Fixed Effect Model
56
Uji Hausman membandingkan antara nilai statistik Hausman dengan nilai tabel distribusi Chi-square dengan degre of freedom sejumlah variabel independen. Bila nilai statistik Hausman > Chi-Square dan nilai probabilitas < α (nilai kritis) maka H0 ditolak dan pendekatan Fixed Effect Model yang dipilih. Sedangkan, bila nilai statistik Hausman < Chi-Square dan nilai probabilitas > α (nilai kritis) maka H0 diterima dan pendekatan Random Effect Model yang dipilih. Statistik uji Hausman tersebut mengikuti distribusi statistik chi-square dengan degree of freedom sebanyak k di mana k adalah jumlah variabel independen (Widarjono, 2013: 365).
F. Uji Asumsi Klasik Sebelum melakukan analisis data maka butuh dilakukan uji asumsi klasik pada data yang telah tersedia. Apabila terjadi penyimpangan asumsi klasik maka dapat menggunakan pengujian statistik non parametrik. Sedangkan, statistik parametrik digunakan untuk pengujian data apabila data variabel terbebas dari multikolinearitas, autokorelasi, dan heterokedastisitas, serta data harus berdistribusi normal. Penjelasan mengenai uji asumsi klasik adalah sebagai berikut: 1. Uji Normalitas Menurut Gujarati dan Porter (2013: 127-128), uji normalitas mempunyai tujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal atau tidak. Selain itu, dengan uji normalitas kita dapat mampu menggunakan hasil pengujian statistik t dan F karena mengasumsikan nilai residual mengikuti distribusi normal. Apabila asumsi ini dilanggar maka uji statistik menjadi tidak berlaku.
57
Terdapat beberapa metode untuk mengetahui normal atau tidaknya distribusi residual antara lain Jarque-Bera (J-B) Test dan metode grafik. Dalam penelitian ini akan menggunakan J-B Test, apabila J-B hitung < nilai χ2 (ChiSquare) tabel, maka nilai residual terdistribusi normal (Gujarati dan Porter, 2013: 304). 2. Uji Multikolinearitas Uji Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya hubungan antar variabel bebas atau independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika terjadi multikolinearitas dalam model, estimator masih bersifat Best Linear Unbiased Estimator (BLUE) namun estimator mempunyai varian dan kovarian yang besar sehingga sulit didapatkan estimasi yang tepat (Widarjono, 2013: 101). Multikolinearitas dapat diuji dengan menggunakan metode Klien, yaitu membandingkan nilai koefisien determinasi (R2) dengan nilai R2 regresi dari masing-masing variabel independen atau dilambangkan dengan r2. Apabila nilai R2 > r2 maka model tidak mengandung gejala multikolinieritas. Sedangkan, apabila R2 < r2 maka model mengandung gejala multikoliniearitas (Widarjono, 2013: 107). 3. Uji Autokorelasi Menurut Widarjono (2013: 137), uji autokorelasi digunakan untuk mengetahui apakah dalam model regresi linear ada korelasai antara variabel pengganggu satu observasi dengan observasi lain atau dikenal dengan istilah autokorelasi. Autokorelasi muncul karena observasi yang urut, saling terkait.
58
Masalah ini timbul disebabkan residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time-series) yang menunjukkan adanya kesamaan pergerakan naik dan turun. Pengujian dengan menggunakan uji Durbin Watson merupakan uji yang populer untuk melihat gejala autokorelasi. Menurut Gujarati dan Porter (2012: 37), asumsi yang mendasari pengujian dapat dilakukan adalah sebagai berikut: a. Lakukan regresi OLS dan dapatkan residual-residual. b. Hitung nilai d (Durbin Watson). c. Ukuran sampel tertentu dan jumlah variabel penjelas tertentu, tentukan kriteria dL dan dU. d. Aturan pengambilan keputusan diterangkan dalam tabel 3.2. dibawah ini:
Tabel 3.2. Aturan Pengambilan Keputusan Uji Durbin-Watson Hipotesis Nol Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif Tidak ada korelasi, baik positif maupun negatif
Keputusan Tolak Tidak ada keputusan Tolak Tidak ada keputusan Terima
Jika 0 < d < dL d L ≤ d ≤ dU 4 − dL < d < 4 4 – dU ≤ d ≤ 4 – dL dU < d < 4 – dU
Sumber: Gujarati dan Porter (2012: 37)
4. Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
mempunyai
variabel
pengganggu
yang
tidak
konstan
atau
heteroskedastisitas. Model regresi yang baik adalah homoskedastisitas atau tidak terjadi heteroskedastisitas. Gejala heteroskedastisitas lebih sering terjadi pada data cross-section (Widarjono, 2013: 113).
59
Menurut Park (dalam Widiarjono, 2013: 116-117) varian variabel pengganggu yang tidak konstan atau terjadi masalah heteroskedastisitas muncul disebabkan oleh residual pada variabel independen di dalam model. Menurutnya bentuk fungsi variabel gangguan adalah sebagai berikut: 𝛽
𝜎𝑖2 = 𝜎 2 𝑋𝑖 𝑒 𝑢 𝑖 ....................................................................................... (3.7) Dimana 𝑒 = 2,718 Dalam menguji heteroskedastisitas dapat menggunakan uji Park untuk menentukan ada atau tidaknya gejala heteroskedastisitas dalam model regresi dan dalam bentuk logaritma natural. Uji Park pada prinsipnya meregresi residual yang dikuadratkan dengan variabel bebas pada model. Prosedur uji Park adalah sebagai berikut: a. Melakukan regresi terhadap model yang ada dengan metode Ordinary Least Squares (OLS) dan kemudian mendapatakan residualnya. b. Tahap selanjutnya adalah melakukan regresi terhadap residual kuadrat. c. Jika nilai t statistik < t tabel atau probabilitas t statistik > taraf signifikansi maka tidak terdapat gejala heterokedastisitas dan jika sebaliknya maka mengandung masalah heteroskedastisitas.
G. Uji Statistik Uji statistik dilakukan dengan tujuan melihat beberapa tujuan tertentu. Uji t-statistik dilakukan untuk melihat signifikansi masing-masing variabel. Uji Fstatistik dilakukan untuk melihat signifikansi variabel secara bersama-sama, dan uji R2 adalah untuk melihat seberapa besar pengaruh variabel independen terhadap variabel dependen.
60
1. Uji Parsial (Uji t-statistik) Menurut Gujarati dan Porter (2013: 149-152), uji signifikansi merupakan sebuah prosedur yang digunakan untuk menguji kebenaran atau kesalahan dari hasil hipotesis nol dari sampel. Ide dasar pengujian signifikansi dilatar belakangi oleh uji statistik (estimator) dari distribusi sampel dari suatu statistik di bawah hipotesis nol. Keputusan untuk H0 diterima atau ditolak dibuat berdasarkan nilai uji statistik yang diperoleh dari data yang telah ada. Dalam uji signifikansi, sebuah statistik dikatakan siginifikan secara statistik apabila nilai dari uji statistiknya berada di daerah tolak. Sebaliknya, sebuah pengujian dikatakan tidak signifikan secara statistik, jika nilai dari uji statistiknya berada di daerah penerimaan. Dalam melakukan uji t-statistik, langkah-langkah yang perlu dilakukan adalah: a. Membuat hipotesis awal yaitu: 1) H0 : Variabel independen tidak berpengaruh signifikan terhadap variabel dependen 2) H1 : Variabel independen berpengaruh signifikan terhadap variabel dependen Setelah itu menentukan α, yaitu dipilih α = 5% b. Langkah selanjutnya adalah menentukan daerah tolak dan daerah penerimaan pada kurva distribusi.
61
Gambar 3.1. Kurva Distribusi t-statistik Sumber: Gujarati dan Porter (2013: 152)
𝑡 𝑡𝑎𝑏𝑒𝑙 =
𝛼 2
; 𝑛 − 𝑘 .................................................................................(3.8)
Dimana: n = Jumlah sampel k = banyaknya koefisien regresi + konstanta
c. Kemudian hitung nilai t dengan rumus sebagai berikut: 𝑡 ℎ𝑖𝑡𝑢𝑛𝑔 =
̂2 − 𝛽2 𝛽 ̂2 ) 𝑠𝑒 (𝛽
...................................................................................(3.9)
Dimana: t
= uji signifikansi
𝛽̂ 2
= estimator nilai β2 yang dinyatakan dalam Hipotesis nol (H0)
β2
= parameter dinyatakan dalam Hipotesis nol (H0)
se(𝛽̂2) = standard error estimator yang telah ditentukan d. Dari hasil t hitung yang didapat kemudian dibandingkan dengan t-tabel. Kesimpulan yang dapat diambil, berdasarkan ketentuan sebagai berikut: 1) H0 diterima jika t hitung < t tabel, artinya tidak ada pengaruh signifikan antara variabel independen terhadap variabel dependen.
62
2) H1 diterima jika t hitung > t tabel, artinya ada pengaruh antara signifikan variabel independen terhadap variabel dependen. 2. Uji Bersama-sama (Uji F-statistik) Uji F digunakan untuk mengetahui pengaruh variabel independen secara bersama-sama (simultan) terhadap variabel dependen. Signifikan berarti hubungan yang terjadi dapat berlaku untuk populasi. Penggunaan tingkat signifikansinya beragam, tergantung keputusan peneliti, yaitu 0,01 (1%); 0,05 (5%) dan 0,10 (10%). Dalam uji F-statistik, langkah-langkah yang perlu dilakukan adalah (Gujarati dan Porter 2013: 309-310): a. Membuat hipotesis: 1) H0 : β1 = β2 = β3 = 0, berarti secara bersama-sama tidak ada pengaruh variabel independen terhadap variabel dependen. 2) H1 : β1 ≠ β2 ≠ β3 ≠ 0, berarti secara bersama-sama ada pengaruh variabel independen terhadap variabel dependen. b. Menentukan menentukan α, yaitu sebesar α = 5% c. Menentukan daerah tolak dan terima. F tabel = α (k – 1, n – k) Dimana: n = Jumlah sampel k = banyaknya koefisien regresi + konstanta d. Menghitung nilai F hitung dengan rumus sebagai berikut: 𝑅 2 / (𝑘 −1)
𝐹 ℎ𝑖𝑡𝑢𝑛𝑔 = (1− 𝑅2 )/ (𝑛−𝑘) ......................................................................(3.10) e. Setelah didapat nilai F hitung, kemudian mengambil kesimpulan dengan ketentuan sebagai berikut:
63
1) F hitung > F tabel maka H0 ditolak dan H1 diterima, artinya semua variabel independen secara bersama-sama merupakan penjelas yang signifikan terhadap variabel dependen. 2) F hitung < F tabel maka H0 diterima dan H1 ditolak, artinya semua variabel independen secara bersama-sama bukan merupakan penjelas yang signifikan terhadap variabel dependen. 3. Uji R2 (Koefisien Determinasi) Menurut Gujarati dan Porter (2013: 97) besarnya R2 dikenal sebagai koefisien determinasi (sampel) yang merupakan ukuran paling umum digunakan untuk mengukur goodness of fit dari sebuah garis regresi. Nilai tersebut melihat seberapa besar proporsi atau presentasi pengaruh variabel independen terhadap variabel dependen. Tingkat ketepatan regresi ditentukan oleh besarnya nilai adjusted R2 antara 0 sampai dengan 1 ( ≤ R2 ≤1). Semakin nilai R2 mendekati angka 1, berarti variabel independen dapat menjelaskan pengaruh terhadap variabel dependen dengan semakin baik. Adapula perhitungan R2 pada rumus di bawah ini: 2
R =
Σ (Ŷi − Ȳ)
2
Σ(𝑌𝑖 − Ȳ)2
=
𝐸𝑆𝑆 𝑇𝑆𝑆
.......................................................................(3.11)
Keterangan: ESS
= Jumlah kuadrat (explained sum of squares)
RSS
= Jumlah sisa (residual sum of squares)
TSS
= Total jumlah kuadrat (total sum of squares)
64
