Kamis, 30 Juli 2009

Pengaruh 7 Variabel Terhadap APBD Jambi 2000-2003

Pengaruh Nilai Industri dan Perdagangan, Nilai Eksport Industri, Pertambangan Batu bara, Pertanian Produksi Beras, Perkebunan Produksi Sawit, Perikanan Darat, Ketersediaan Pajang Jalan terhadap APBD
pada Propinsi Jambi Tahun 2000 – 2003


Pendahuluan.

Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan antara dua atau lebih variabel. Pada kenyataan sehari-hari sering dijumpai sebuah kejadian dipengaruhi oleh lebih dari satu variabel, oleh karenanya dikembangkanlah analisis regresi linier berganda dengan model :

Adanya metode analisis regresi ini sangat menguntungkan bagi banyak pihak, baik di bidang sains, sosial, industri maupun bisnis. Salah satu pemanfaatan analisis regresi adalah pada dunia bisnis atau yang berkaitan dengan aktifitas pemasaran

Tujuan.

Untuk Mengetahui Pengaruhan Nilai Industri & Perdagangan, Nilai Eksport Industri, Pertambangan Batu bara, Pertanian Produksi Beras, Perkebunan Produksi Sawit, Perikanan Darat, Ketersediaan Pajang Jalan terhadap APBD pada Propinsi Jambi Tahun 2000 – 2003.

Analisis Regresi.

Analisis regresi merupakan sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih. Dalam analisis regresi, dikenal dua jenis variabel yaitu :

-Variabel Respon disebut juga variabel dependent yaitu variabel yang keberadaannya diperngaruhi oleh variabel lainnya dan dinotasikan dengan Y.

-ariabel Prediktor disebut juga variabel independent yaitu variabel yang bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan dengan X.

Analisis Regresi Linier Berganda (Multiple Linier Regression).

Analisis regresi linier berganda memberikan kemudahan bagi pengguna untuk memasukkan lebih dari satu variabel prediktor hingga p-variabel prediktor dimana banyaknya p kurang dari jumlah observasi (n). Sehingga model regresi dapat ditunjukkan sebagai berikut :

Karena model diduga dari sampel, maka secara umum ditunjukkan sebagai
berikut :

Salah satu prosedur pendugaan model untuk regresi linier berganda adalah
dengan prosedur Least Square (kuadrat terkecil). Konsep dari metode least square adalah menduga koefisien regresi (β) dengan meminimumkan kesalahan (error). Sehingga dugaan bagi β (atau dinotasikan dengan b) dapat dirumuskan sebagai berikut (Draper and Smith, 1992) :

Dimana :
-X :Matriks 1 digabung dengan p-variabel prediktor sebagai kolom dengan n buah observasi sebagai baris.
-Y : Variabel respon yang dibentuk dalam vektor kolom dengan n buah observasi Untuk menilai apakah model regresi yang dihasilkan merupakan model yang paling sesuai (memiliki error terkecil), dibutuhkan beberapa pengujian dan analisis sebagai berikut:

Analisis terhadap nilai R2 dan R2adj.

R2 dapat diartikan sebagai suatu nilai yang mengukur proporsi atau variasi total di sekitar nilai tengah Y yang dapat dijelaskan oleh model regresi. Nilai R2 berkisar antara 0 sampai dengan 1.

Dalam statistik ini telah dilakukan penyesuaian terhadap derajat bebas jumlah kuadrat sisa (JKSp) dan jumlah kuadrat total terkoreksi (Drapper and Smith, 1992)

Uji residual

Karena model regresi yang dibentuk didasarkan dengan meminimumkan jumlah kuadrat error, maka residual (sisaan) yang dalam hal ini dianggap sebagai suatu kesalahan dari pengukuran harus memenuhi beberapa asumsi, diantarannya :

• Identik : memiliki varian yang konstan
• Independen (saling bebas) : tidak ada autokorelasi antar residual
• Berdistribusi Normal

Uji model regresi
Uji model regresi sebaiknya dilakukan dengan dua macam, yaitu :

Uji serentak. Uji serentak merupakan uji terhadap nilai-nilai koefisien regresi (b) secara bersama-sama dengan hipotesa

H0 : β1 = β2 = ... = βp = 0
H1 : Minimal ada 1 β yang tidak sama dengan nol.

Statistik uji yang dipakai untuk melakukan uji serentak ini adalah statistik uji F

Uji individu. Jika hasil pada uji serentak menunjukkan bahwa H0 ditolak, maka perlu dilakukan uji individu dengan hipotesa :

H0 : βi = 0
H1 : βi ≠ 0

Untuk pengujian ini digunakan statistik uji t

Analisis Adanya outlier.

Outlier (pencilan) merupakan pengamatan yang tidak lazim (aneh) dalam variabel prediktor (X) atau variabel respon (Y). Keanehan pada variabel X disebut leverage dan dapat diuji dengan hii yang merupakan jumlah kuadrat kolom pertama dari matriks H dimana H adalah matriks idempoten dan simetris
berukuran (n x n) sebagai berikut :

H = X(X’X)-I X’
hii = h11 + h12 +.... h1n

Nilai hii berkisar antara 0 dan 1. Kecurigaan adanya leverage adalah pada saat nilai hi diatas 0.5. Keanehan pada variabel Y disebut outlier dan dapat dideteksi dengan pengujian standar residual (menggunakan grafis).

Uji multikolinieritas.

Adanya korelasi yang tinggi antar variabel prediktor dinamakan multikolinieritas. Jika kasus ini terjadi dalam regresi linier, maka variabilitas bi akan tidak efisien (overweight). Untuk melihat adanya multikolinieritas dapat digunakan VIF (Variance Inflation Factor) dengan rumus sebagai berikut :

Dimana,

-VIF = 1 mengindikasikan tidak ada korelasi yang signifikan antar variabel prediktor; VIF > 1 mengidikasikan bahwa ada korelasi antar variabel prediktor ;

-VIF > 5 - 10 mengindikasikan bahwa ada salah satu variabel prediktor merupakan fungsi dari variabel prediktor yang lain.

Metodologi Penelitian.

Untuk tujuan yang telah dikemukakan pada pendahuluan diatas, dikumpulkan data nilai tentang perkembangan pertumbuhan ekonomi Propinsi Jambi Periode 2000 – 2003, selanjut nya variabel-varibel tersebut dipilah menjadi ;

terhadap pada Propinsi Jambi Tahun 2000 – 2003.

Y = APBD,
X1 = Nilai Industri & Perdagangan,
X2 = Nilai Eksport Industri,
X3 = Pertanian Produksi Beras,
X4 = Pertambangan Batu bara,
X5 = Perkebunan Produksi Sawit,
X6 = Perikanan Darat,
X7 = Ketersediaan Pajang Jalan

Tabel. PERKEMBANGAN SEKTOR EKONOMI, SDA, INFRA STRUKTUR DAN APBD PROPINSI JAMBI PERIODE 2000 – 2003


Analisis Data dan Pembahasan.

Nilai yang akan diregresikan di natural log kan, karena variabel memiliki rentang nilai yang tidak seragam.

Correlation

Corelation coeffisien adalah ukuran hubungan linier antara dua variable acak X dan Y dan dilambangkan dengan r. Jadi r mengukur sejauh mana titik - titik mengerombol sekitar sebuah garis lurus. Arti nilai negative dari correlation coefisien yaitu adanya hubungan antara dua variable yang masing-masing mempunyai kencendrungan nilai yang semakin menurun (dalam grafik digambarkan dengan garis yang menurun) (Indoskripsi 2009 PCF Forecasting - http://one.indoskripsi.com/node/7660)

Hubungan korelasi setiap variabel bebas terhadap variabel terikat adalah (Lampiran. 1)

X1 = Nilai Industri & Perdagangan,= 0.968 (96.8%) dengan siginifikan = 0.16
X2 = Nilai Eksport Industri,= 0.721 (72.1%) dengan siginifikan = 0.14
X3 = Pertanian Produksi Beras, = -0.797 (-79.7 dengan siginifikan 0.101
X4 = Pertambangan Batu bara,= -0.689 (-68%) dengan siginifikan = 0.155
X5 = Perkebunan Produksi Sawit,= 0.958 (95.8%) dengan siginifikan = 0.021
X6 = Perikanan Darat,= 0.424 (42.4%) dengan siginifikan = 0.288
X7 = Ketersediaan Pajang Jalan = 0.943 (94.3%) dengan siginifikan = 0.028

Model Summary

Model summary atau nilai determinasi merupakan nilai untuk melihat kerterkaitan hubungan. R2 dapat diartikan sebagai suatu nilai yang mengukur proporsi atau variasi total di sekitar nilai tengah Y yang dapat dijelaskan oleh model regresi. Nilai R2 berkisar antara 0 sampai dengan 1. (Nurhayati, M. 2008. Analisis Data Regresi.

http://pksm.mercubuana.ac.id/modul/99020-12-659054692896.doc)

Nilai determinasi untuk semua variabel bebas terhadap variabel terikat dapat dilihat pada tabel dibawah ini;

Nilai determinasi sangat erat atau keterkaitan antara variabel bebas terhadap variabel terikat sangat erat dengan nilai 1 atau 100%. Nilai Durbin-Watson adalah 1.2 yang berarti bahwa tidak terjadi suatu autokorelasi karena niali 1.2 terletak diatara df 1 < 1.2 < d2 .

Anova.

Model ini digunakan untuk melihat pengaruh semua varibel bebas terhadap variabel terikat. Atau juga disebut uji F. Untuk mengetahui nilai F hitung dapat dilihat pada tabel dibawah ini:

F hitung lebih kecil dari F tabel, namun tidak dicantumkanya nilai tersebut, indikasi signifikan dapat dilihat dari kode huruf a kecil yang bermakna signifikan.

Coefficient

Nilai pada tabel coeffisien tesebut merupakan nilai log, sehingga persamaan regresi dapat di buat sebagai berikut

Y = -18.058 -0.938x3 – 0.378x6 + 8.953x7 + e

Sedang faktor lain tidak memenuhi beberapa asumsi dan secara statistik dinyatak dengan signifikan. Selanjut nya persamaan regrese tersebut dikembalikan ke bukan bilangan logaritma, sehingga muncul persamaan regresi sebagai berikut;

Y = 8,74E-19 + 8,66x3 + 2,387x6 + 89.428.794,5x7 + e

Dari makna persamaan regresi diatas adalahh, setiap peningkatan 1 ton Pertanian Produksi Beras akan menghasilkan APBD sejumlah Rp8.6 juta, setiap Peningaktan 1 ton perikanan darat akan meningkatakan APBD sebesar Rp2.38 juta dan setiap penambahan 1 km jalan akan meningkatan APBD sebanyak Rp89 juta.



Daftar Pustaka
Anderson dkk (1984), “Multivariate Data Analysis – Fifth Edition”, Prentice Hall International.Inc, New Jersey
Drapper and Smith (1992), “ Analisis Regresi Terapan”, PT. Gramedia Pustaka Utama, Jakarta

Tidak ada komentar:

Posting Komentar

Catatan: Hanya anggota dari blog ini yang dapat mengirim komentar.