PELATIHAN PENELITIAN

PELATIHAN PENELITIAN DATA ENTRY DAN EVIEWS APPLICATION MAMAN SETIAWAN KERJASAMA HIMPUNAN MAHASISWA EKONOMI DAN STUDI PEMBANGUNAN DAN LABORATORIUM PENELITIAN, PENGABDIAN PADA MASYARAKAT DAN PENGKAJIAN EKONOMI (LP3E) FAKULTAS EKONOMI UNIVERSITAS PADJADJARAN BANDUNG, 6-8 MEI 005

Kata Pengantar Makalah/modul ini disampaikan pada acara Pelatihan Penelitian yang dilaksanakan oleh Himpunan Mahasiswa Ekonomi Studi Pembangunan Fakultas Ekonomi Universitas Padjadjaran pada tanggal 6-8 Mei 005 di Kampus Unpad Jl. Dipati Ukur No. 35. Adapun makalah/modul ini membahas tentang entri data serta aplikasi program eviews dalam suatu proses pengolahan data dalam penelitian. Peserta dalam acara ini berasal dari mahasiswa berbagai jurusan bidang studi ilmu dan berasal dari berbagai universitas negeri dan swasta di Bandung. Akhir kata semoga makalah/modul ini memberikan kontribusi atau sumbangan dalam suatu proses kegiatan penelitian. Bandung, Mei 005 Maman Setiawan

Pengantar Pengolahan data statistik memiliki peranan penting di dalam suatu penelitian karena dari hasil pengolahan data statistik ini muncul suatu kesimpulan penelitian. Pengolahan data mencangkup perhitungan data analisis model penelitian. Sebelum dilakukan kesimpulan penelitian, agar hasil penelitian menjadi akurat harus dilakukan uji validitas pada data dan model. Training ini akan berusaha membahas bagaimana proses dari memasukan data hingga seorang peneliti bisa menggunakan hasil estimasi sebagai kesimpulan penelitian. Proses pengolahan data akan dilakukan dengan menggunakan software Eviews 3.1. Eviews ialah program ekonometrika yang telah dipaketkan. Eviews ini ialah pengembangan dari software Micro TSP yang sebelumnya dijalankan melalui system operasi DOS. Eviews bekerja di bawah system Windows. Eviews sendiri merupakan program yang cukup sederhana karena kita tidak banyak melakukan operasi bahasa pemrograman sendiri. Eviews telah menyediakan berbagai metode perhitungan ekonometrika dan statistik. Walaupun program dalam eviews ini belum sepenuhnya lengkap, tetapi diharapkan bisa menjadi panduan di dalam mengolah data. Ada beberapa metoda perhitungan yang telah tersedia tetapi ada juga yang harus dibuat manual secara bertahap dengan metoda yang akan dijelaskan dalam modul ini.

Pada dasarnya tahap penelitian bisa digambarkan sebagai berikut : Studi Pendahuluan Perumusan Masalah dan Tujuan Penelitian Studi Kepustakaan Identifikasi Variabel Penelitian dan Pembentukan Model Pembuatan Hipotesis Revisi Memenuhi Tidak Proses Pengumpulan Data Pengolahan Data : Uji Spesifikasi Model dan Uji Asumsi Regresi Linier Ya Pengolahan Data Statistik : Estimasi Model Pengujian Hipotesis Analisis dan Pembahasan Kesimpulan dan Saran Gambar 1 Langkah-Langkah Penelitian

Setelah model dan hipotesisnya terbentuk, tahap yang paling penting kemudian ialah proses pengolahan data dan model sehingga dari hasil hasil estimasi model nantinya bisa didapatkan kesimpulan akhir. Kasus 1 Suatu perusahaan penjual bunga di daerah X ingin melihat faktor-faktor yang mempengaruhi penjualan bunga ros-nya. Perusahaan tersebut membuat model untuk tujuannya tersebut sebagai berikut : Y t = 1 + X t + 3 X 3t + 4 X 4t + 5 X 5t + u t Di mana : Y = Jumlah Penjualan Bunga Ros, (dalam lusin) X = Rata-rata harga bunga Ros, $/lusin X 3 = Rata-rata harga bunga mawar, $/lusin X 4 = Rata-rata tingkat pendapatan/kapita, $/week X 5 = Trend variabel dengan nilai 1,,3, dan seterusnya, untuk periode 001-III hingga 005-II di daerah X Untuk mengestimasi model di atas, perusahaan tersebut mengumpulkan database dari survey-survey yang telah dilakukannya selama tahun 001 kwartal III hingga tahun 005 kwartal II sehingga diperoleh data sebagai berikut : obs Y X X3 X4 X5 1971:3 11484.00.60000 3.490000 158.1100 1.000000 1971:4 9348.000.540000.850000 173.3600.000000 197:1 849.000 3.070000 4.060000 165.600 3.000000 197: 10079.00.910000 3.640000 17.900 4.000000 197:3 940.000.730000 3.10000 178.4600 5.000000 197:4 886.000.770000 3.660000 198.600 6.000000 1973:1 616.000 3.590000 3.760000 186.800 7.000000 1973: 853.000 3.30000 3.490000 188.9800 8.000000 1973:3 8038.000.600000 3.130000 180.4900 9.000000 1973:4 7476.000.890000 3.00000 183.3300 10.00000 1974:1 5911.000 3.770000 3.650000 181.8700 11.00000 1974: 7950.000 3.640000 3.600000 185.0000 1.00000 1974:3 6134.000.80000.940000 184.0000 13.00000 1974:4 5868.000.960000 3.10000 188.000 14.00000 1975:1 3160.000 4.40000 3.580000 175.6700 15.00000 1975: 587.000 3.690000 3.530000 188.0000 16.00000

Agar model tersebut di atas bisa diestimasi maka ada beberapa tahapan di eviews : 1. Entry data. Estimasi model dengan data yang dientry I. Proses Entry data Sebelum suatu model bisa diestimasi, maka data untuk variabel-nya harus tersedia dengan lengkap. Data harus dimasukan dulu ke dalam software dengan lengkap. Berikut cara entry data di Eviews : Buka Program Eviews sehingga terlihat workfile sebagai berikut : Klik File New Workfile

Sehingga muncul workfile sebagai berikut : Karena datanya dalam bentuk kwartal maka checklist Quarterly lalu masukan di star date : 001:3 (tahun awal) kemudian masukan 005: (tahun akhir) di end date. Sehingga muncul workfile sebagai berikut : Dari workfile yang sudah ada kita akan membuat nama-nama variabel terlebih dahulu: Klik Object New Object

Sehingga muncul kotak dialog sebagai berikut : Isi type object dengan series (sama untuk semua variabel), Isi name for Object dengan nama variabel : Y Klik OK Ulangi untuk variabel X,X 3,X 4, dan X 5. Sehingga di workfile muncul nama variabel yang siap diisi sebagai berikut :

buka semua variabel yang masih kosong untuk diisi dengan data : Tekan CTRL (tidak dilepas) bersamaan klik satu per satu variabel Y, X, X 3, X 4, danx 5 Lalu klik kanan pada mouse pilih open as group sehingga muncul hasil sebagai berikut : Sehingga muncul spreadsheet sebagai berikut :

Klik Edit Lalu isi setiap variabel dengan data pada tabel 1 di atas sehingga spreadsheet akhir akan terisi data sebagai berikut : Klik name : Group 1 pada spreadsheet Klik File pilih save as : Data1 Kasus III

Bagaimana jika model tersebut memiliki model sebagai berikut : LnY t = 1 + Ln(X t /X 3t ) + 3 Ln(X 4t )+ 4 X 5t + u t Maka tahapan yang harus dilakuakn ialah : 1. Melakukan transformasi data di eviews dengan fasilitas Generate series Klik Quick Generate Series Dikotak generate series satu per satu ditulis di sebagai berikut : LnY=Log(Y) XX3=X/X3 Ln(XX3)=Log(X/X3) SqrtX4=Sqrt(X4) Misalkan untuk LnY=Log(Y) : Klik Quick Generate Series : II. Proses Estimasi Model Karena data sudah tersedia maka estimasi model untuk selanjutnya bisa dilakukan. Model : Y t = 1 + X t + 3 X 3t + 4 X 4t + 5 X 5t + u t Caranya : Klik Quick Estimate Equation sehingga muncul kotak dialog sebagai berikut :

Masukan Model yang akan diestimasi ke dalam kotak dialog equation specification, sebagai berikut : Penulisan persamaan di Eviews hanya variabelnya saja yang dipisahkan dengan spasi. Variabel yang diketikan paling awal dibaca Eviews sebagai variabel dependen. Kemudian C = 1. Klik Ok sehingga dihasilkan estimasi regresi sebagai berikut :

Klik View Pilih Representation sehingga diperoleh fungsi persamaan sebagai berikut : Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 3:53 Sample: 001:3 005: Included observations: 16 Variable Coefficient Std. Error t-statistic Prob. C 10816.04 5988.348 1.806181 0.0983 X -7.704 90.4657 -.40193 0.0340

X3 151.141 1157.01 1.081347 0.307 X4 6.8986 30.6166 0.05181 0.841 X5-197.3999 101.561-1.943655 0.0780 R-squared 0.834699 Mean dependent var 7645.000 Adjusted R-squared 0.774590 S.D. dependent var 04.814 S.E. of regression 969.8744 Akaike info criterion 16.845 Sum squared resid 103470 Schwarz criterion 17.08395 Log likelihood -19.7401 F-statistic 13.88635 Durbin-Watson stat.333986 Prob(F-statistic) 0.00081 Jika hasil diatas ditulis dihasilkan persamaaan sebagai berikut : Y = 10816.0435-7.70436*X + 151.1410*X3 + 6.898679*X4 Std. error (5988,35) (90,46) (1157,0) (30,6) -197.3999396*X5 Std. Error (101,56) Klik Name untuk menyimpan persamaan beri nama : eq01.1 Pengujian Spesifikasi model Uji Ramsey s RESET Ramsey membuat pengujian tentang spesifikasi error yang disebut RESET ( regression specification error test ). RESET test ini melihat suatu pola yang sistematik dari perubahan residual regresi ( û i ) dihubungkan dengan estimasi y i ( Yˆ i ) pada persamaan (a ) di bawah ini. Jika kita masukan Yˆ i dalam persamaan (a) maka akan meningkatkan R dan jika kenaikan R ini secara statistik signifikan maka model persamaan (a) yang merupakan persamaan linear ialah miss-specified ( tidak memenuhi spesifikasi model ). Misal kita memiliki persamaan : Y i = 1 + X i + u 3i Di mana : Y= Total Cost dan X = output..(a) Tahapan dalam RESET ini ialah : 1. Estimasi model a dengan OLS biasa kemudian didapat estimasi Y i yaitu Yˆ i. Estimasi lagi persamaan a dengan memasukan regressor tambahan Yˆ i. Kalau kita gambarkan hubungan antara Yˆ i dan û i maka ada hubungan yang kurva linear.

Ramsey menyarankan memasukan Sehingga kita estimasi persamaan : Yˆ i dan Yˆ 3 i sebagai regressor tambahan. Y i = 1 + X + 3 X 3 + 4 X 4 + 5 X 5 + 6 Yˆ i + 7 Yˆ 3 i + u i (a.1) 3. Dari persamaan a.1 didapat R yang baru ( R new ) dan R dari persamaan (a) disebut R old. Dari hasil ini kita bisa mencari nilai F-statistiknya untuk mengetahui apakah kenaikan dalam R dari menggunakan model (a.1) itu signifikan atau tidak : F = (1- R new ( Rnew ) /( n Rold ) / jumlah regressor - regressor baru jumlah parameter - parameter di dalam model baru ) Jika nilai F-statistik yang telah dihitung itu signifikan pada tingkat misal 5% maka kita bisa menerima hipotesis bahwa model (a) itu misspecified. Sebaliknya jika nilai F-statistik yang telah dihitung itu tidak signifikan pada tingkat misal 5% maka model specified. Caranya di eviews : Dari hasil estimasi awal (eq.1) : Klik View stability test pilih Ramsey Reset masukan : (jika kita misalkan ada hubungan kuadratik) Klik OK sehingga muncul hasil sebagai berikut :

F-statistik paling atas dari hasil estimasi ramsey test di eviews ialah sama dengan : F = (1- R new ( Rnew ) /( n Rold ) / jumlah regressor - regressor baru jumlah parameter - parameter di dalam model baru ) Uji Hipotesis : Ho : Model Specified(linier) H1: Model misspecified (tidak linier) Pengujian : Jika nilai p-value F-statistik < =5% maka Ho ditolak Ternyata p-value F-statistik = 0,5 > 0,05 maka Ho tidak ditolak sehingga bisa disimpulkan bahwa model di atas memenuhi spesifikasi (kelinieran).. Pengujian Masalah yang Terjadi dalam Regresi Linier Masalah-masalah penyimpangan asumsi yang dapat timbul pada model regresi terutama regresi linier meliputi masalah multikolinier, heteroskedastisitas, dan autokorelasi. Penyimpangan-penyimpangan ini mengakibatkan model menjadi tidak valid, hasil-hasil pengujian menyesatkan, dan variasi residual yang diperoleh tidak sesuai dengan semestinya. Atau dengan kata lain hasil estimasinya tidak lagi BLUE.

Pengujian Multikolinear Multikolinier ialah kondisi dimana adanya hubungan antara variabel-variabel bebas. Jika multikolinier itu sempurna maka setiap koefisien regresi dari variabelvariabel bebasnya tidak dapat menentukan dan standar errornya tidak terbatas. Jika multikolinier kurang dari sempurna maka koefisien regresi walaupun bisa menentukan, tetapi memiliki standar error yang besar (dalam hubungan dengan koefisien mereka itu sendiri), yang berarti koefisien-koefisiennya tidak bisa diestimasi dengan akurasi yang tepat. Cara umum untuk mendeteksi adanya multikolinear dalam model ialah dengan melihat bahwa adanya R yang tinggi dalam model tetapi tingkat signifikansi t- statistiknya sangat kecil dari hasil regresi tersebut dan cenderung banyak yang tidak signifikan. Selain itu untuk menguji multikolinear, bisa dilihat matrik korelasinya. Jika masing-masing variabel bebas berkorelasi lebih besar dari 80 % maka termasuk yang memiliki hubungan yang tinggi atau ada indikasi multikolinearitas (Gujarati,003). Cara pengujian Multikolinear dengan matriks korelasi di Eviews sebagai berikut : Pada workfile : Klik Group1 data yang telah dibuat sebelumnya.

Klik View Pilih Correlations Y X X3 X4 X5 Y 1.000000-0.784155-0.0686-0.413036-0.851760 X -0.784155 1.000000 0.47491 0.8945 0.653135 X3-0.0686 0.47491 1.000000-0.104396-0.17347 X4-0.413036 0.8945-0.104396 1.000000 0.549885 X5-0.851760 0.653135-0.17347 0.549885 1.000000 Dari matriks korelasi di atas terlihat bahwa hubungan antara variabel independennya (tidak termasuk Y) semuanya di bawah 70% sehingga bisa disimpulkan bahwa tidak terdapat masalah multikolinear di dalam model. Pengujian Autokorelasi Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat autokorelasi di antara disturbance terms, yaitu : Cov ( e i, e j ) = 0 di mana i j a. Autokorelasi ini umumnya terjadi pada data time series. Konsekuensi dari adanya autokorelasi pada model ialah bahwa penaksir tidak efisien dan uji t serta uji F yang biasa tidak valid walaupun hasil estimasi tidak bias (Gujarati, 003). Pengujian yang bisa digunakan untuk meneliti kemungkinan terjadinya autokorelasi adalah uji Durbin-Watson ( D-W ). a. Metode Durbin-Watson Test Metode Durbin Watson ini mengasumsikan adanya first order autoregressive AR(1) dalam model. Hipotesa dari uji tersebut ialah : 1. Ho : ρ = 0 H1 : ρ > 0 Artinya :

Jika d < du, H0 ditolak pada tingkat α sehingga secara statistik adanya autokorelasi positif yang signifikan.. Ho : ρ = 0 H1 : ρ < 0 Artinya : Jika ( 4 d ) < du, H0 ditolak pada tingkat α, sehingga secara statistik mengandung autokorelasi negatif yang signifikan. 3. H 0 : ρ = 0 H1 : ρ 0 Artinya : Jika d < du atau ( 4 d ) < du, H0 ditolak pada tingkat α sehingga secara statistik terlihat bahwa adanya autokorelasi baik positif maupun negatif secara signifikan. Tabel 3.3 Kriteria Pengujian Autokorelasi Null Hipotesis Hasil Estimasi Kesimpulan Ho 0 < dw < dl Tolak Ho dl dw du Tidak ada Kesimpulan H1 4 dl < dw < 4 Tolak H1 4 du dw 4 dl Tidak ada kesimpulan Tidak ada otokorelasi, baik positif maupun negatif du < dw < 4 - du Diterima Sumber: Basic Econometrics, Damodar Gujarati(003) Caranya Pengujian Autokorelasi di eviews : Dari hasil estimasi model (eq.01) terlihat nilai durbin-watson di sebelah kiri paling bawah :

Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 3:53 Sample: 001:3 005: Included observations: 16 Variable Coefficient Std. Error t-statistic Prob. C 10816.04 5988.348 1.806181 0.0983 X -7.704 90.4657 -.40193 0.0340 X3 151.141 1157.01 1.081347 0.307 X4 6.8986 30.6166 0.05181 0.841 X5-197.3999 101.561-1.943655 0.0780 R-squared 0.834699 Mean dependent var 7645.000 Adjusted R-squared 0.774590 S.D. dependent var 04.814 S.E. of regression 969.8744 Akaike info criterion 16.845 Sum squared resid 103470 Schwarz criterion 17.08395 Log likelihood -19.7401 F-statistic 13.88635 Durbin-Watson stat.333986 Prob(F-statistic) 0.00081 Jika kita uji berdasarkan tabel durbin-watson di atas maka dicari terlebih dahulu nilai dl dan du pada =1% dengan n=16 dan k (jumlah variabel independen)=4 yaitu dl=0,53 dan 1,66. sehingga didapat : positif tidak tentu tidak ada autokorelasi tidak tentu negatif Autokorelasi autokorelasi 0 dl=0,53 du=1,663 4-du=,337 4-dl= 3,468 karena,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa model tidak mengandung masalah autokorelasi..3 Pengujian Homokedastisitas Salah satu asumsi pokok dalam model regresi linear adalah homokedastisitas diartikan sebagai distribusi dari variabel gangguan u i, adalah suatu nilai konstan yang sama σ untuk setiap nilai dari variabel penjelasnya, misal : X i. E(u i ) = σ i = 1,,3,,N Jika variansnya tidak sama, maka dalam model tersebut terdapat situasi heterokedastisitas, di mana : E(u i ) = σ i i = 1,,3,,N

Heteroskedastisitas sering terjadi pada model yang menggunakan data cross section, karena data tersebut menghimpun data yang mewakili berbagai ukuran (Sritua, 1993). Konsekuensi logis dari adanya heteroskedastisitas ialah bahwa penaksir tetap tak bias dan konsisten tetapi penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun sampel besar. Terdapat beberapa metode untuk mengidentifikasi adanya heteroskedastisitas, antara lain: metode grafik, metode Park, metode rank Spearman, metode Lagrangian Multiflier (LM test) dan white heteroscedasticity test. a. Uji Heteroskedastisitas dengan metode White s General Heterocedasticity Metode pengujian dengan metode White ini tidak menggunakan asumsi normalitas sehingga sangat mudah untuk diimplementasikan dan sangat cocok dengan model logit yang berdistribusi Logistic (Gujarati,003). Jika suatu model logit ialah sebagai berikut : Y i = 1 + X i + 3 X 3i + u i..(b) Maka proses pengujian dengan metode white ini ialah dengan melakukan regresi tambahan sebagai berikut : u ˆ α + v...(b.1) i = 1 + αx i + α3x 3i + α4x i + α5x 3i + α6x i X 3i i Regresi ini ialah regresi di mana variabel residual kuadrat dari regresi asli (b.1) diregres terhadap variabel independen yang asli ( X ) dan kuadrat dari variabel indepeden tersebut, serta dari interaksi variabel independennya (cross product(s) of the regressors). Dari hasil regresi ini tujuannya adalah untuk mendapatkan nilai R yang akan digunakan dalam pengujian hipotesis. Pengujian hipotesis yang dilakukan ialah : H 0 : Tidak ada heteroskedastis (homokedastis) H 1 : Ada heteroskedastis

Pengujian : Pada regresi persamaan (b.1) di atas didapat bahwa jumlah sampel (n) dikalikan dengan nilai R akan sama (asymtot) dengan distribusi Chi-Square dengan degree of freedom (DF) ialah sama dengan jumlah regressor (tidak termasuk konstanta) di dalam regresi tambahan, yaitu: n. R ~ df..(b.) dari persaman b.1 di atas maka didapat df = 5 Tahap 4 : Pengujian : Jika nilai dari persamaan b.1 lebih besar dari nilai tabel maka H 0 ditolak yang artinya terdapat heteroskedastis di dalam model tetapi jika dari persamaan b.1 lebih kecil dari nilai tabel maka H 0 diterima yang artinya tidak terdapat heteroskedastis di dalam model dan juga bisa dikatakan bahwa koefisien koefisien pada regresi tambahan : = 3 = 4 = 5 = 6 = 0 Caranya Pengujian Homoskedastisitas di eviews : Dari hasil estimasi model (eq.01) : Klik View Residual test pilih white heteroscedaticity (cross term)

didapat hasil estimasi model white sebagai berikut : Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,45. : Obs*R-squared = n.r = 13,91. Uji hipotesis : Ho : Tidak ada heteroskedastisitas H1 : Ada heteroskedastisitas Pengujian : Jika p-value < =5% maka Ho ditolak

Karena p-value= 0,45 > =5% maka Ho tidak ditolak, sehingga bisa disimpulkan bahwa tidak ada heteroskedastisitas di dalam model. III. Analisis Model Regresi Pengujian Statistik Uji Koefisien Determinasi ( R ) Koefisien determinasi ( R ), digunakan untuk mengukur seberapa besar variabelvariabel bebas dapat menjelaskan variabel terikat. Koefisien ini menunjukan seberapa besar variasi total pada variabel terikat yang dapat dijelaskan oleh variabel bebasnya dalam model regresi tersebut. Nilai dari koefisien determinasi ialah antara 0 hingga 1. Nilai R yang mendekati 1 menunjukan bahwa variabel dalam model tersebut dapat mewakili permasalahan yang diteliti, karena dapat menjelaskan variasi yang terjadi pada variabel dependennya. Nilai R sama dengan atau mendekati 0 ( nol ) menunjukan variabel dalam model yang dibentuk tidak dapat menjelaskan variasi dalam variabel terikat. Penghitungan R diperoleh dari : dimana ESS = Explained sum of square TSS = Total sum of square R ESS ( Yˆ t Y ) = = TSS ( Y Y ) t Nilai koefisien determinasi akan cenderung semakin besar bila jumlah variabel bebas dan jumlah data yang diobservasi semakin banyak. Oleh karena itu, maka digunakan ukuran adjusted R ( R ), untuk menghilangkan bias akibat adanya penambahan jumlah variabel bebas dan jumlah data yang diobservasi. Adjusted R ( R ) dihitung dengan rumus : Di mana : R = 1 ( 1- R ) n = Jumlah observasi k 1 n k k = Jumlah parameter dalam model

Dalam analisis data time series, jika koefisisen determinasi ( R ) > Durbin Watson ( DW ) statistik maka itu menandakan regresi mengalami spurious regression. Uji t- Statistik Uji t-statistik digunakan untuk menguji pengaruh variabel-variabel bebas terhadap variabel tak bebas secara parsial. Uji t-statistik biasanya berupa pengujian hipotesa : Ho = Variabel bebas tidak mempengaruhi variabel tak bebas H1 = Variabel bebas mempengaruhi variabel tak bebas Dengan menguji dua arah dalam tingkat signifikansi =α dan df = n k ( n = jumlah observasi, k = jumlah parameter ) maka hasil pengujian akan menunjukan : Ho diterima bila Ho ditolak bila t statistik < t tabel t statistik > t tabel α = x % Daerah Kritis Terima H0 Daerah Kritis - t-tabel t-tabel Gambar Pengujian t Statistik Nilai t-statistik didapatkan dengan rumus : t t = βt S β t Di mana β t ialah koefisien variabel dan S βt ialah standar error dari variabel. Analisis Variansi/Uji F-Statistik Uji F-statistik ialah untuk menguji pengaruh variabel bebas terhadap variabel tak bebas secara keseluruhan. Uji F-statistik biasanya berupa : Ho = Variabel bebas tidak mempengaruhi variabel tak bebas H1 = Variabel bebas mempengaruhi variabel tak bebas Jika dalam pengujian kita menerima Ho maka dapat kita simpulkan bahwa tidak terdapat hubungan yang linier antara dependen variabel dengan independen variabel.

Untuk mendapatkan Nilai F-statistik, digunakan tabel ANOVA ( analysis of variance) seperti diperlihatkan pada tabel di bawah ini : Tabel ANOVA Sumber Variasi Sum of Squares Degree of Mean Square Fischer Test ( SS ) Freedom Akibat Regresi ESS k-1 EMS=ESS/df Akibat Residual RSS n-k RMS=RSS/df F=EMS/RMS Total TSS n-1 Sumber : Gujarati ( 1995 ) Keterangan : ESS: Explained sum square EMS : Explained mean squares RSS: Resdiual sum square RSS : Residual mean squares TSS: Total sum square Cara lain untuk menghitung F-statistik adalah dengan menggunakan Nilai R yang telah diketahui, di mana : R F = k 1 (1 R ) n k Dengan menguji tingkat signifikansi =α dan df = n k ( n = jumlah observasi, k = jumlah parameter ) maka hasil pengujian akan menunjukan : Ho diterima bila Ho ditolak bila F statistik < F tabel F statistik > F tabel α Terima H0 Daerah Kritis F-tabel Gambar Pengujian F-Statistik Caranya di Eviews : Lihat Hasil Estimasi Eq 1. Cara menyajikan hasil output ini bisa dilakukan dengan melakukan perubahan ouitput di bawah ini :

Dependent Variable: Y Method: Least Squares Date: 03/30/05 Time: 3:53 Sample: 001:3 005: Included observations: 16 Variable Coefficient Std. Error t-statistic Prob. C 10816.04 5988.348 1.806181 0.0983 X -7.704 90.4657 -.40193 0.0340 X3 151.141 1157.01 1.081347 0.307 X4 6.8986 30.6166 0.05181 0.841 X5-197.3999 101.561-1.943655 0.0780 R-squared 0.834699 Mean dependent var 7645.000 Adjusted R-squared 0.774590 S.D. dependent var 04.814 S.E. of regression 969.8744 Akaike info criterion 16.845 Sum squared resid 103470 Schwarz criterion 17.08395 Log likelihood -19.7401 F-statistic 13.88635 Durbin-Watson stat.333986 Prob(F-statistic) 0.00081 Menjadi lebih mudah dibaca jika kita buat tampilan sebagai berikut : Tabel Hasil Estimasi Model Dependent Variable: Y Variable Coefficient Std. Error t-statistic Prob. C 10816.04 5988.348 1.806181 * X -7.704 90.4657 -.40193 ** X3 151.141 1157.01 1.081347 TS X4 6.8986 30.6166 0.05181 TS X5-197.3999 101.561-1.943655 * R-squared 0.834699 F-statistic 13.88635 Adjusted R-squared 0.774590 Prob(F-statistic) *** Keterangan : *** = signifikan pada = 1% TS = Tidak signifikan ** = signifikan pada = 5% * = Signifikan pada = 10% Nilai R artinya bahwa sebesar 83,5 %variabel penjualan buang ros bisa dijelaskan oleh variabel bunga ros itu sendiri, variabel bunga mawar,pendapat/kapita, dan trend waktu sedangkan sisanya sebesar 16,5% bisa dijelaskan oleh variabel lain diluar model. Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada =1%, hal ini mengindikasikan bahwa secara keseluruhan, semua variabel independen mampu menjelaskan variabel dependennya yaitu penjualan bunga ros. Dari hasil uji parsial bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros dan trend waktu yang signifikan mempengaruhi variabel penjualan bunga ros

sedangkan variabel tingkat harga bunga mawar dan tingkat pendapatan/kapita tidak signifikan mempengaruhi penjualan bunga ros. Cara Membaca hasil estimasi Regresi : Untuk variabel X=-7,704 artinya ialah bahwa jika Variabel X naik sebesar 1 unit akan menyebabkan penurunan pada penjualan bungan ros sebesar 7,705 unit, ceteris paribus. Hal ini mengindikasikan bahwa tingkat harga memiliki hubungan negatif dengan penjualan bunganya itu sendiri. Untuk variabel X3 = 151,141 artinya ialah bahwa jika variabel X3 naik sebesar 1 unti akan menyebabkan kenaikan penjualan bungan Ros sebesar 151,141 unit,ceteris paribus. Hal ini mengindikasikan bahwa antara bunga Ros dan mawar merupakan barang substitusi. Untuk variabel X4 = 6,9 artinya ialah bahwa jika variabel X4 naik sebesar 1 unit akan menyebabkan kenaikan penjualan bunga ros sebesar 6,9 unit, ceteris paribus. Hal ini mengindikasikan bahwa semakin tinggi tingkat pendapatan per kapita masyarakat maka masyarakat cenderung akan banyak membeli bunga Ros. Untuk variabel X5 = -197,4 artinya ialah bahwa jika variabel X5 naik sebesar 1 unit akan menyebabkan penurunan penjualan bunga Ros sebesar 197,4 unit, ceteris paribus. Hal ini mengindikasikan bahwa semakin lam orang akan semakin tidak membeli bunga Ros.

Penulisan Pelaporan Penelitian DAFTAR ISI ABSTRAK i ABSTRACT ii PEDOMAN PENGGUNAAN TESIS iii KATA PENGANTAR v DAFTAR ISI vii DAFTAR TABEL xi DAFTAR GAMBAR xiv DAFTAR GRAFIK xv DAFTAR LAMPIRAN xvi BAB I PENDAHULUAN 1 1.1 Latar belakang penelitian 1. Identifikasi Masalah 6 1.3 Kegunaan Penelitian 6 1.4 Metodologi 7 1.5 Lingkup Penelitian 7 1.6 Sistematika Pembahasan 8 BAB II TINJAUAN PUSTAKA 9.1 Teori-teori Pendukung Penelitian 9. Kajian Beberapa Studi Empiris 4.3 Sintesis Penelitian ( State of the Art ) 43 BAB III METODE PENELITIAN 45 3.1 Langkah Penelitian 45 3. Identifikasi Variabel Penelitian dan Pembentukan Model 46 3.3 Objek Penelitian dan Perumusan Hipotesa 55 3.4 Hipotesis 58 3.5 Pengumpulan dan Pengolahan Data 59 3.6 Spesifikasi Model 64

3.7 Analisis Regresi 65 3.7.1 Persamaan Regresi Berganda Biasa 65 3.7. Pengujian Masalah yang terjadi dalam Regresi Linier 66 3.7.3 Pengujian Statistik 69 BAB IV PENGOLAHAN DATA 83 4.1 Variabel-variabel Penelitian 85 4.4 Pengujian Asumsi OLS Klasik 99 4.5 Uji Spesifikasi Model 10 BAB V ANALISA 103 5.1 Analisis Hubungan antara Variabel dependen dengan variabel 103 independennya 5.1.1 Analisis Statistik 103 5.1. Analisis Ekonomi BAB VI KESIMPULAN DAN SARAN 119 6.1 Kesimpulan Umum dari Hasil Bab V 119 6. Saran 13 DAFTAR PUSTAKA LAMPIRAN

Daftar Pustaka 1. Arief, Sritua (1993), Metodology Penelitian Ekonomi, UIP, Jakarta.. Greene H. (000), William, Econometric Analysis,Prentice Hall, New Jersey. 3. Gujarati N., Damodar (1995), Basic Econometrics, McGraw-Hill. 4. Intriligator, Michael (1980), Econometrics Models, Techniques, and Applications, Prentice-Hall Inc., New Delhi. 5. Lubis, Hari (003), Metodologi Penelitian, Diktat Kuliah, Departemen Teknik Industri, ITB. 6. Singarimbun, Masri, Metode Penelitian Survai, LP3ES, Edisi Revisi, 1987