Home > Ekonometrik > PERMASALAHAN-PERMASALAN EKONOMETRIK

PERMASALAHAN-PERMASALAN EKONOMETRIK


SOAL ALHIR SEMESTER (UTS)

Mata Kuliah     : Ekonometrik

Waktu Ujian     : 5 x 24 jam (25-29 Januari 2010)

Sifat Ujian        : Take Home

Program Studi  : Magister Ekonomi Islam PPS IAIN-SU

Nama Dosen    : Dr. H. Muhammad Yusuf, M.Si

Nama               : H. Ismul Azhari, Lc, S.Kom

SOAL:

Derevasilah model-model ekonometrik di bawah ini:

  1. Model regresi linier multivariable (uji autokorelasi, multikorelasi dan Hitrokedasitas)
  2. Model autoregressive atau distributed lag. (pilih salah satu)
  3. Model regresi dengan variable bebas dummy.
  4. Model logit atau probit
  5. Model persamaan non-linier (log atau In).
  6. Model persamaan Simultan.

Dari model di atas Sdr. Diminta untuk mengestimasi model tersebut dengan syarat:

  1. Setiap mahasiswa tidak mempunyai data yang sama.
  2. Gunakan data BPS atau IFS atau data publikasi resmi.
  3. Hasil estimasi terjemahkanlah arti dari: R2, F, DW, t-ratio, konstansta, koefisien, dan koefisien elastisitas.

JAWABAN:

  1. MODEL REGRESI LINIER MULTIVARIABLE (UJI AUTOKORELASI, MULTIKORELASI DAN HITROKEDASITAS)

DERIVASI:

REGRESI LINIER MULTIVARIABLE

Regresi berganda seringkali digunakan untuk mengatasi permasalahan analisis regresi yang melibatkan hubungan dari dua atau lebih variabel bebas. Pada awalnya regresi berganda dikembangkan oleh ahli ekonometri untuk membantu meramalkan akibat dari aktivitas-aktivitas ekonomi pada berbagai segmen ekonomi. Misalnya laporan tentang peramalan masa depan perekonomian di jurnal-jurnal ekonomi (Business Week, Wal Street Journal, dll), yang didasarkan pada model-model ekonometrik dengan analisis berganda sebagai alatnya. Salah satu contoh penggunaan regresi berganda dibidang pertanian diantaranya ilmuwan pertanian menggunakan analisis regresi untuk menjajagi antara hasil pertanian (misal: produksi padi per hektar) dengan jenis pupuk yang digunakan, kuantitas pupuk yang diberikan, jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi serangga.

UJI AUTOKORELASI

Autokorelasi : Adanya korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu periode t-1 (sebelumnya). Jika data di atas 15

Catatan: Autokorelasi pada sebagian besar data time series.

Deteksi Autokorelasi:

  1. Besarnya Angka Durbin Watson

Patokan :          Angka D-W di bawah –2 ada autokorelasi (positif)

Angka D-W di atas +2 ada autokorelasi (negatif)

Angka Berada diantara –2 sampai +2 Tidak ada Autokorelasi

(atau Membandingkan dengan Tabel Durbin Watson)

Identifikasi gejala autokorelasi dapat dilakukan dengan kurva berikut ini.

  1. Koefisien determinasi berganda (R square) tinggi
  2. Koefisien korelasi sederhananya tinggi.
  3. Nilai F hitung tinggi (signifikan)
  4. Tapi tak satupun (atau sedikit sekali) diantara variabel bebas yang signifikan.

Untuk asumsi klasik yang mendeteksi adanya autokorelasi di sini tidak dilakukan karena gejala autokorelasi tersebut biasanya terjadi pada data time series, sedangkan data yang digunakan dalam penelitian disini adalah data cross section. Seperti pada hasil analisis berikut (tidak dianalisis nilai durbin watsonnya):

UJI MULTIKOLINIERITAS

Multikolinieritas : Adanya korelasi variabel independen dalam regresi berganda.

Deteksi adanya Multikolinier :

  1. Besarnya VIF (Variance Inflation Factor) dan Tolerance

-       Jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinieritas. (Gujarati)

  1. Nilai Eigenvalue mendekati 0 (Singgih Santoso)
  2. Condition Index melebihi angka 15 (Singgih Santoso)

Dalam pengujian asumsi klasik terhadap analisis regresi linier berganda ini menyatakan bahwa hasil analisis penelitian ini tidak menunjukkan adanya gejala multikolinieritas dimana nilai VIF pada variabel tidak lebih besar dari 10 maka variabel ini disimpulkan tidak terdapat gejala multikolinieritas dengan variabel independen lainnya. Dengan nilai VIF untuk  Perencanaan (X1) = 1,522, Organisasi (X2) = 1,331 dan Pengendalian (X3) = 1,179 (lebih kecil dari 10). Syarat terjadi multikolinieritas jika nilai VIF (Variance Inflation Factor) > 10

UJI HETEROSKEDASTISITAS

Heteroskedastisitas : Varian dari residual dari satu pengamatan ke pengamatan lain mempunyai varian yang berbeda. Jika sama namanya Homoskedastisitas. Model regresi yang baik tidak mempunyai Heteroskedastisitas.

Deteksi Adanya Heteroskedastisitas :

  1. Dari Scatter Plot Residual: jika ada pola tertentu (seperti titik-titik /point-point yang ada membentuk pola tertentu yang teratur (bergelombang, menyebar kemudian menyempit)
  2. Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas 0 pada sumbu Y, maka tidak terjadi Heteroskedastisitas.
  3. Pada regresi linier nilai residual tidak boleh ada hubungan dengan variabel X. Hal ini bisa diidentifikasi dengan cara menghitung korelasi rank Spearman antara residual dengan seluruh variabel bebas. Rumus rank Spearman adalah :

rs = 1 – 6

Keterangan :

di = perbedaan dalam rank antara residual dengan variabel bebas ke-i

N = banyaknya data

Pengujian Heteroskedastisitas di sini menggunakan korelasi rank Spearman antara residual dengan seluruh variabel bebas dengan hasil analisis sbb:

Nonparametric Correlations

Hasil analisis menunjukkan bahwa pada variabel untuk  Perencanaan (X1), Organisasi (X2) dan Pengendalian (X3) TIDAK mempunyai korelasi yang signifikan antara residual dengan variabel bebasnya (nilai signifikansinya lebih besar dari 0.05), maka hasil analisis ini dapat disimpulkan semua variabel penelitian Tidak terjadi Heteroskedastisitas.

ESTIMASI:

ESTIMASI REGRESI LINIER MULTIVARIABLE UJI AUTOKORELASI , UJI MULTIKOLINIERITAS, UJI HETEROSKEDASTISITAS

Sumber Data

Data yang diambil dalam penelitian ini adalah data mengenai faktor-faktor fundamental perusahaan yang terdapat dalam laporan keuangan perusahaan-perusahaan yang terdaftar di Bursa Efek Jakarta (BEJ), dengan periode amatan tahun 2002, dan 2003, kecuali untuk menghitung pertumbuhan EPS dibutuhkan data dari tahun 2001, 2002, 2003. Data-data diambil dari Indonesia Capital Market Directory tahun 2002 dan 2003.

Pengambilan Sampel

Populasi pada penelitian ini adalah saham semua perusahaan yang terdaftar di BEJ setidaknya sejak tahun 2002, memiliki data harga saham penututpan dan earning pershare. Pengambilan sampel menggunakan metode purposive sampling, yaitu pengambilan sampel berdasarkan kriteria tertentu, yaitu:

1.   Perusahaan yang listed di BEJ paling tidak sejak tahun 2001 dan tetap terdaftar  sampai dengan tahun 2003.

2.   Perusahaan tidak melakukan aktivitas    yang dapat mempengaruhi jumlah dan harga saham seperti right issue, bonus share, stock split,dividend share, emisi saham baru selama periode amatan. Setelah melalui seleksi, dipilih  22 perusahaan dari   berbagai industri yang   terdapat dalam Tabel 1 dibawah ini.

ANALISIS DATA

3.1. Deskripsi Data

Metode pengumpulan data yang telah dikemukakan pada bab III diukur sesuai dengan variabel-variabel yang dipergunakan dalam penelitian ini. Data sekunder dikumpulkan terutama dari Indonesian Capital MarketDirectory tahun 2004, yang didalamnya memuat ringkasan laporan keuangan tahun 2001, 2002 dan 2003 yang dibutuhkan dalam penelitian ini. Sumber lainnya yang menunjang adalah Jakarta Stock Exchange Statistic Monthly bulan Desember 2001, 2002 dan Desember 2003. Hasil pengumpulan data disajikan dalam lampiran-lampiran data pada halaman terakhir laporan ini.

3.2. Proses Pra-Analisis Data

Mudrajad Kuncoro (2001) menyatakan bahwa sebelum memulai analisis data, sebaiknya terlebih dahulu dilakukan proses pra-analisis dengan tujuan untuk menemukan bentuk model regresi terbaik yang dapat menjelaskan hubungan antara variabel dependen dengan variabel-variabel independen-nya secara lebih valid dan tidak bias. Langkah pra-analisis yang pertama adalah mencari atau menemukan bentuk hubungan terbaik antara variabel dependen dengan variabel-variabel independen dengan melakukan  regresi logaritmis.

3.2.1. Menemukan Bentuk Hubungan Terbaik Antara Variabel Dependen Dengan Variabel-Variabel Independen

Model regresi yang diambil atas dasar pra-analisis data adalah model regresi logaritmis karena secara umum model ini menerangkan hubungan variabel-variabel independen terhadap PER dengan lebih baik dibandingkan dengan model semi-logaritmis.

3.2.2. Uji Normalitas Data

Uji normalitas data menggunakan program SPSS dengan menu linear regression dan memilih normal probability plot pada bagian plot data. Jika plotnya menghasilkan titik-titik yang teratur dan tidak terlalu menyebar di sekitar garis. Uji normalitas untuk model regresi logaritmis yang dilakukan penulis menunjukkan data dalam keadaan cukup normal karena titik-titik yang dihasilkan dari plot data teratur dan berpola mengikuti garis diagonal. Gambarnya dapat dilihat pada lampiran 8 pada chart Normal Probability Plot.

3.3. Uji Asumsi Klasik

Syarat lain dari model statistik parametrik adalah harus terbebas dari gejala-gajala klasik yaitu multikolinearitas, autokorelasi, serta heteroskedastisitas. Jika ternyata model terkena gejala penyimpangan klasik, maka sebaiknya dilakukan usaha-usaha tertentu untuk mengatasinya.

3.3.1. Uji Multikolinearitas

menjadi kurang baik. Menurut Gujarati, 1999 untuk mendeteksi adanya gejala multikolinearitas ini adalah dengan melihat besarnya nilai koefisien korelasi antar variabel-variabel independen, dan jika besarnya koefisien korelasi lebih dari atau sama dengan 0.8, maka terdapat hubungan yang mendekati sempurna diantara variable independen.

3.3.2. Uji Autokorelasi

Nilai Durbin-Watson (D-W) yang didapat dari model regresi adalah 1.941 yang berarti berada di daerah tidak ada autokorelasi. Hal ini menunjukkan  bahwa pengujian tidak terkena gejala autokorelasi. Untuk mengetahui adanya autokorelasi maka dilakukan pengujian terhadap nilai Durbin-Watson (D-W), dengan ketentuan sebagai berikut:

Tabel 2  Tabel Durbin-Watson (D-W)

Dw                                                            Kesimpulan

Kurang dari 1,471 (<dl)                                    Ada autokorelasi

1,471 – 1,731 (dl – du)                                    Tanpa kesimpulan

1,731 – 2.269 (du – 4-du)                                Tidak ada autokorelasi

2,269 – 2.529 (4-du – 4-dl)                             Tanpa kesimpulan

Lebih dari 2,529 (>4-dl)                                   Ada autokorelasi

Sumber  :  Jalan Pintas Menguasai SPSS 10.0,  Sulaiman Wahid 2002.

3.3.3. Uji Heteroskedastisitas

Dari grafik scatter-plot yang terdapat di lampiran 8, terlihat titik-titik yang menyebar secara acak, tidak membentuk suatu pola tertentu yang jelas, serta cukup tersebar,. Berarti model penelitian ini tidak terkena penyimpangan heteroskedastisitas, sehingga model regresi ini layak dipakai untuk memprediksi faktor-faktor yang mempengaruhi PER berdasarkan masukan variable independen-nya.

3.3.4. Pengukuran Prosentase Pengaruh Seluruh Variabel Independen

Terhadap PER (Uji “R 2 ”)

Regresi menunjukkan bahwa nilai R 2 atau koefisien determinasi. Hal ini berarti bahwa  variabel independen debt to equity ratio (DER), ROE, tingkat penjualan, total asset, serta pertumbuhan EPS dapat menerangkan variabel dependen PER.

3.3.5. Uji Signifikansi Seluruh Koefisien Regresi Secara Serempak (Uji “F”)

Berarti bahwa secara bersama-sama variabel independen DER, ROE, tingkat penjualan, total asset serta pertumbuhan EPS berpengaruh secara signifikan terhadap PER. Ho pada pengujian hipotesis pertama (Uji signifikansi seluruh koefisien regresi secara serempak) ditolak, atau Ha diterima. Hipotesis kedua dapat diuji dengan  uji signifikansi masing-masing variable  independen secara parsial terhadap PER, maka dilakukan uji “t”. Uji “t” membandingkan t hitung dengan t tabel , dimana nilai t hitung diperoleh dari output SPSS pada Table Coefficients, dan nilai t tabel didapat dari tabel statistik distribusi “t”. Jika nilai t hitung > t tabel maka Ho ditolak, dan Ha diterima, yang berarti ada.

3.3.6. Uji Signifikansi Koefisien Regresi Secara Parsial (Uji “t”)

Hipotesis kedua dapat diuji dengan  uji signifikansi masing-masing variable  independen secara parsial terhadap PER, maka dilakukan uji “t”. Uji “t” membandingkan t hitung dengan t tabel , dimana nilai t hitung diperoleh dari output SPSS pada Table Coefficients, dan nilai t tabel didapat dari tabel statistik distribusi “t”. Jika nilai t hitung > t tabel maka Ho ditolak, dan Ha diterima, yang berarti ada pengaruh variabel independent secara parsial dan signifikan terhadap PER, dan sebaliknya jika nilai t hitung < t tabel maka Ho diterima, dan Ha ditolak, yang berarti tidak ada pengaruh variabel independen secara parsial dan signifikan terhadap PER.

3.4. Pengujian Hipotesis

Setelah melakukan serangkaian uji pra-analisis data serta uji Penyimpangan klasik, maka diperoleh suatu bentuk model regresi yang menerangkan faktor-faktor yang mempengaruhi PER, yaitu:

Ln.PER        =     –3.637 + 0.175 ln.Tot.Ass + 0.300 ln.DER – 0.248 ln.ROE

t tabel = (2.00)       t hitung (-2.398)    (2.546)                              (5.464)                        (-5.152)

+ 0.0157 ln.Sales + 0.119 g.EPS

(0.278)                                            (3.435)

F 38 , 5 ; tabel = 2.46

F hitung = 26.30

Dimana:

Ln.Total Asset = Logaritma Natural dari Total Asset

Ln.PER           =  Logaritma Natural dari Price earnings ratio

Ln.DER           =  Logaritma Natural dari Debt to Equity Ratio

Ln.ROE            =  Logaritma Natural dari Return On Equity

Ln.Sales           =  Logaritma Natural dari Tingkat Penjualan

g.EPS                =  Pertumbuhan Earnings Per-Share

3.4.1. Pengukuran Prosentase Pengaruh Seluruh Variabel Independen

Terhadap PER (Uji “R 2 ”)

Regresi menunjukkan bahwa nilai R 2 atau koefisien determinasi adalah sebesar 0.776 atau 77.6%. Hal ini berarti bahwa 77.6% variabel independen debt to equity ratio (DER), ROE, tingkat penjualan, total asset, serta pertumbuhan EPS dapat menerangkan variabel dependen PER, sedangkan sisanya sebesar 22.4% diterangkan oleh variabel-variabel lain yang tidak dibahas dalam penelitian ini.

3.4.2. Uji Signifikansi Seluruh Koefisien Regresi Secara Serempak (Uji “F”)

Analysis Of Variance Table dari regresi menghasilkan  nilai F hitung sebesar 26.303 dan probabilitas kesalahan 0. Dengan tingkat signifikansi ( α ) sebesar 5%, derajat kebebasan (DF) pembilang 5, dan DF penyebut 38, berdasarkan table distribusi F didapat nilai F tabel sebesar 2.46, ini menunjukkan nilai F hitung (26.303) > F tabel (2.46) yang berarti bahwa secara bersama-sama variabel independen DER, ROE, tingkat penjualan, total asset serta pertumbuhan EPS berpengaruh secara signifikan terhadap PER. Ho pada pengujian hipotesis pertama (Uji signifikansi seluruh koefisien regresi secara serempak) ditolak, atau Ha diterima.

3.4.3. Uji Signifikansi Koefisien Regresi Secara Parsial (Uji “t”)

Variabel independen Total Asset, nilai t hitung adalah (-)2.546, dengan t tabel adalah 2.0. Karena nilai t adalah nilai absolut, maka t hitung > t tabel , pada probabilitas tingkat kesalahan sebesar 0.15. Berarti Ho ditolak dan Ha 1 diterima, dengan kata lain ada pengaruh yang signifikan dari variabel Total jika diuji secara parsial terhadap PER. Variabel independent DER, nilai t hitung adalah (-)5.464, dengan t tabel adalah 2.0. Karena nilai t adalah nilai absolut, maka t hitung > t tabel , pada probabilitas tingkat kesalahan sebesar 0.00. Berarti Ho ditolak dan Ha 2 diterima, dengan kata lain ada pengaruh yang signifikan dari variabel Debt to Equity Ratio (DER) jika diuji secara parsial terhadap PER. Untuk variabel independen ROE, nilai t hitung adalah (-)5.152, dengan t tabel adalah 2.0. Karena nilai t adalah nilai absolut, maka t hitung > t tabel , pada probabilitas tingkat kesalahan sebesar 0.00. Berarti Ho ditolak dan Ha 3 diterima, dengan kata lain ada pengaruh yang signifikan dari variabel ROE jika diuji secara parsial terhadap PER. Variabel independen tingkat penjualan (sales), nilai t hitung adalah 0.278, dengan t tabel adalah 2.0, maka t hitung < t tabel , pada probabilitas tingkat kesalahan 0.78 Berarti Ho diterima dan Ha 4 ditolah, yang berarti tidak ada pengaruh yang signifikan dari variabel tingkat penjualan jika diuji secara parsial terhadap PER. Variabel independen selanjutnya yaitu pertumbuhan Earnings Per-Share (g.EPS) memiliki nilai t hitung sebesar 3.435, dengan t tabel adalah 2.0, pada probabilitas tingkat kesalahan 0.001, maka t hitung > t tabel . Berarti Ho ditolak dan Ha 5 diterima, yang berarti ada pengaruh yang signifikan dari variabel g.EPS jika diuji secara parsial terhadap PER.

3.5. Penjelasan Koefisien Regresi

3.5.1. Arti Dari Nilai Konstanta dalam Model

Konstanta sebesar -3.637 dalam model berarti, jika variabel-variabel independent total asset, DER, ROE, tingkat penjualan, serta pertumbuhan EPS bernilai nol, maka nilai PER dapat turun sebesar 3.637 satuan, atau dengan kata lain, ada pengaruh variabel-variabel lain di luar Total asset, DER, ROE, tingkat penjualan, serta pertumbuhan EPS yang mempengaruhi PER sebesar -3.637 satuan.

3.5.2. Hubungan Total Asset terhadap PER

Koefisien regresi Total Asset sebesar 0.175 berarti setiap kenaikan DER sebesar 1 satuan, maka nilai PER akan mengalami peningkatan sebesar 0.175 satuan, dengan asumsi variabel yang lain konstan. Hubungan yang positif dari Total terhadap PER sesuai dengan prediksi atau dugaan semula berdasarkan teori,total asset ini merupakan seluruh aktiva yang dimiliki perusahaan, yang terdiri dari aktiva lancar dan aktiva tetap.

3.5.3. Hubungan Debt to Equity Ratio (DER) terhadap PER

Koefisien regresi DER sebesar 0.300 berarti setiap kenaikan DER sebesar 1 satuan, maka nilai PER akan mengalami peningkatan sebesar 0.300 satuan, dengan asumsi variabel yang lain konstan. Hubungan yang positif dari DER terhadap PER tidak sesuai dengan prediksi atau dugaan semula berdasarkan teori. Semakin besar nilai liability perusahaan yang dibiayai dengan ekuitasnya, berarti semakin besar pula risiko yang harus ditanggung perusahaan, sehingga perusahaan mengantisipasinya dengan meningkatkan reqired rate of return dalam menilai sahamnya, dan selanjutnya akan berpengaruh pada turunnya nilai PER perusahaan.

3.5.4. Hubungan Return On Equity (ROE) terhadap PER

Variabel ROE memiliki koefisien regresi sebesar -0.248, yang berarti jika variable yang lainnya konstan, kenaikan ROE sebesar satu satuan menyebabkan penurunan nilai PER sebesar 0.248 satuan. Hasil uji “t” juga menunjukkan bahwa variabel ROE ini pengaruhnya secara parsial signifikan terhadap PER, sehingga layak digunakan sebagai alat analisa terhadap PER. Namun, hubungan negatif ROE dengan PER tidak sesuai dengan prediksi semula, yang berdasarkan teori menerangkan bahwa ROE memiliki pengaruh positif terhadap PER.

3.5.5.  Hubungan Tingkat Penjualan terhadap PER

Tingkat penjualan memiliki koefisien regresi sebesar 0.0157 Kenaikan tingkat penjualan sebesar satu satuan dapat menyebabkan PER perusahaan naik pula sebesar 0.0157 satuan, dengan asumsi variabel lain konstan. Hasil uji “t” menunjukkan bahwa variabel sales tidak berpengaruh signifikan secara parsial  terhadap PER, sehingga tidak layak digunakan sebagai alat analisa terhadap PER. Namun  hubungan yang positif dari koefisien regresinya, menunjukkan bahwa hubungan ini sesuai dengan teori dan prediksi semula. Seperti yang telah diuraikan dalam bab II, Salah satu indikasi dihasilkannya laba,terutama laba jangka panjang oleh perusahaan adalah dengan melihat tingkat penjualannya.

3.5.6. Hubungan Pertumbuhan EPS terhadap PER

Pertumbuhan Earnings memiliki koefisien regresi sebesar 0.119 Berarti setiap kenaikan pertumbuhan EPS sebesar satu satuan, nilai PER naik sebesar 0.119 satuan, dengan asumsi variabel lainnya konstan. Hasil uji “t” menunjukkan pengaruh signifikan variabel ini secara parsial. Hubungan pertumbuhan EPS terhadap PER dalam model  sesuai dengan prediksi sebelumnya berdasarkan teori, dimana tingkat pertumbuhan earnings biasanya berhubungan secara positif terhadap PER. Karena itu,  variabel ini  layak untuk dijadikan alat analisa nilai PER. Secara teori, pertumbuhan EPS yang meningkat menunjukkan prospek positif bagi earnings perusahaan di masa yang akan datang, sehingga dapat meningkatkan harga saham perusahaan. Sebaliknya, penurunan earnings dapat diartikan sebagai prospek yang kurang menguntungkan bagi earnings perusahaan di masa mendatang.

Pada analisis Regresi diperoleh hasil sebagai berikut:

Hasil analisi regresi diatas menunjukkan hasil bahwa model analisis regresi tersebut cocok atau sesuai untuk digunakan sebagai alat analisis, hal ini dapat dilihat dari hasil analisis, dimana nilai Signifikan ANOVAnya lebih kecil dari 0,05 (Signifikan) yang berarti alat analisis tersebut cocok/layak untuk digunakan sebagai alat analisis.

Hasil Regresi Berganda

Untuk mengetahui hasil pengujian setiap variabel penelitian dapat dijelaskan sebagai berikut:

Uji Hipotesis :

  1. Perencanaan (X1) Berpengaruh nyata terhadap Efektivitas Penjualan (Y), atau dapat diterima dengan tingkat [Sig. 0,000 < 0,05] signifikan [positif].
  2. Organisasi (X2) berpengaruh nyata terhadap Efektivitas Penjualan (Y), atau dapat diterima dengan tingkat [Sig. 0,036  < 0,05 : Signifikan [negatif].
  3. Pengendalian (X3) tidak berpengaruh nyata terhadap Efektivitas Penjualan (Y), atau tidak dapat diterima [Sig. 0,144 > 0,05]  [Tidak signifikan positif].
  1. Hasil analisis ini analisis uji F dengan menggunakan model ini menunjukkan hasil yang signifikan, maka dapat disimpulkan bahwa alat analisis regresi berganda yang digunakan sebagai alat analisis ini cocok atau dapat digunaka sebagai alat analisis atau biasanya digunakan untuk melihat Pengaruh secara simultan antara variabel bebas dengan variabel terikatnya diperoleh hasil analisis yang signifikan juga dan positif dengan tingkat signifikan 0,000. Dan nilai determinan (r2) atau pengaruhnya sebesar 61,6%.
  1. Dengan hasil persamaan regresinya berikut:

Y =  8.411 + 0.351 X1 – 0.295 X2 + 0.214 X3

  1. MODEL AUTOREGRESSIVE ATAU DISTRIBUTED LAG. (PILIH SALAH SATU)

DERIVASI:

AUTOREGRESSIVE ATAU DISTRIBUTED LAG

Dalam ekonomi kita sering menghadapi bahwa hubungan atau pengaruh antara Y tidaklah instant. Banyak hal pengaruhnya memerlukan waktu. Misalnya kebutuhan pemerintah tahun t mungkin pengaruh  atau responnya baru pada t+1 bahkan t+2 atau t+3. Kebijakan kurs tahun t baru direspon ekspor pada t+1. Ekspor cengkeh pada tahun t pengaruhnya terhadap produksi cengkeh baru pada tahun t+1. Iklan pada tahun t baru berpengaruh pada tahun t+1, dan seterusnya.

Jika kita memodel kejadian di atas, maka di samping Xt kita juga perlu memasukkan Xt-1. Model demikian disebut DISTRIBUTED LAG.

Contoh :

Di samping perlu waktu, kadang-kadang variabel Y berkembang dengan sendiri. Misalnya seorang anak yang diberi vitamin, menjadi tidak jelas apakah tinggi badan itu disebabkan pengaruh vitamin atau tumbuh dengan sendirinya. Demikian misalnya apakah pertumbuhan ekonomi disebabkan oleh aktifitas masyarakat sendiri atau karena stimulus pemerintah. Untuk itu kita perlu memodel yang memasukkan pertumbuhan Y sendiri. Untuk itu kita masukkan sebagai penjelas variabel Yt-1.

Contoh :

Model yang memasukkan variabel Yt-1 tersebut disebut model auto regresif. Disebut demikian, karena kita meregress Y terhadap dirinya sendiri. Jika kita memasukkan variabel Yt-1 maka pengaruh Xt akan mengecil (nilai b1 akan mengecil). Akan tetapi pengaruh Xt sekarang menjadi lebih murni. Dengan demikian, kalau kita mengukur pengaruh vitamin (X) kepada tinggi badan anak (Y), dan memasukkan  Yt-1 mempengaruhi vitamin sekarang menjadi lebih murni, karena pengaruh trend perkembangan anak sudah disendirikan.

Model yang memasukkan Yt-1 disebut model dinamik.

Ingat dalam model auto regresi kita tidak dapat menggunakan uji otokorelasi Durbin Watson, kita harus menggunakn uji yang lain.

Model Kombinasi

Jika model distributed lag dikombinasikan  dengan model auto regresif, kita perlu model berikut.

Jadi pengaruh atas Yt bukan saja Xt-1 tetapi juga Yt-1. Model terakhir ini disebut model auto regresive distributed lag.

ESTIMASI:

AUTOREGRESSIVE ATAU DISTRIBUTED LAG

Data yang diperlukan dalam penelitian ini meliputi data variabel ekonomi makro di Indonesia, yaitu  nilai tukar rupiah terhadap mata uang asing, khususnya US$,  tingkat suku bunga, indeks harga konsumen, indeks produksi industri, tingkat inflasi, GDP, dan Jumlah penawaran uang. Data yang digunakan merupakan data triwulanan pada periode tahun 1993-2006 (time series).

Data diolah dengan metode VAR.  Selain proses VAR, juga akan dibahas fungsi impulse respon, fungsi dekomposisi, dan Granger causality.

Salah satu alternatif variabel endogenous dalam VAR terdiri dari data bulanan GDP, CPI atau Inflasi, M1 atau M2 (Money Supply), Suku Bunga SBI bulanan, dan nilai tukar rupiah baik nominal atau riil.  Proses analisisnya dilakukan melalui persamaan residual di bawah ini.

Model persamaan di atas akan diidentifikasi melalui dekomposisi  Choleski.

HASIL DAN PEMBAHASAN

Penelitian ini mengkaji stabilitas makroekonomi Indonesia sebagai Small Open Economy pada periode 1993-2006. Data yang digunakan adalah data kuartalan (1993q3- 2006q4).  Variabel yang digunakan Y (GDP), P (CPI), M (M1), R (SBI), E (Nilai Tukar Nominal), dan RER (Nilai Tukar Riil).  Pemilihan variabel didasarkan pada kajian-kajian para peneliti terdahulu seperti Frank Smets (Eropean Central Bank), Chistoper Sims (Princeton Univ,  Pioner untuk VAR analisis), dan Carlo Favero (Bocconi Univ, Italia).   Ciri dari Open Economy dalam model ini, karena memasukkan variabel eksternal berupa nilai tukar atau KURS.

Stabilisasi perekonomian merupakan amanat Undang-Undang, yang pelaksanaannya di Indonesia baru dimulai pada tahun 2006 berupa Inflation Targeting.  Pentargetan inflasi, mengandung dua makna, yaitu stabilisasi harga-harga (menahan laju inflasi) dan stabilisasi nilai tukar rupiah.  Jadi, otoritas moneter (Bank Indonesia/BI) dalam menjalankan stabilisasinya ditujukan pada besaran-besaran inflasi dan Kurs Rupiah (merupakan variabel pada Small Open Economy).  Prinsip dasarnya jika inflasi tinggi baik yang disebabkan oleh kenaikan harga-harga atau disebabkan oleh depresiasi nilai tukar, maka BI harus menaikkan tingkat suku bunga (SBI).  Kenaikan sukubunga diharapkan akan menahan laju konsumsi dan aktivitas perekonomian lainnya, sehingga GDP dari sisi permintaan menjadi seimbang dengan GDP dari sisi penawaran (Kenaikan Harga Terkendali).

Stabilitas perekonomian dicirikan oleh kemampuan alat kebijakan dalam meredam setiap terjadi gejolak perekonomian.  Gejolak perekonomian dicirikan oleh perubahan besaran-besaran variabel markoekonomi akibat adanya shock (guncangan) baik yang datang dari internal maupun eksternal.  Alat untuk menstabilkan perekonomian (yang biasa digunakan oleh Bank Sentral adalah variabel moneter (misalnya M1 atau M2) atau Tingkat Suku Bunga (SBI).

Instrumen yang paling efektif meredam gejolak, adalah instrumen yang jika terjadi shock maka variabel-variabel lain (seperti Y, P dan E atau RER) akan cepat kembali ke titik keseimbangan semula.

Analisis VAR untuk small open economy pada penelitian ini, difokuskan pada kajian bagaimana dampak instrumen-instrumen M atau SBI terhadap variabel-variabel makroekonomi, kususnya Y, P, dan E.

3.1. Hasil Pengolahan Data

Data diolah menggunakan software Eview. Hasil pengolahan data ditunjukkan pada Tabel 1 berikut ini.

Tabel 1.  Hasil Analisis Pemilihan Lag

VAR Lag Order Selection Criteria
Endogenous variables: Y P M R E
Exogenous variables: C
Date: 09/27/07   Time: 23:16
Sample: 1994Q1 2006Q4
Included observations: 46
Lag LogL LR FPE AIC SC HQ
0 -1236.487 NA 1.90e+17 53.97770 54.17647 54.05216
1 -946.4750 504.3690 1.90e+12 42.45544 43.64803* 42.90219
2 -902.2833 67.24822 8.59e+11 41.62101 43.80743 42.44006
3 -873.7072 37.27322 8.16e+11 41.46553 44.64578 42.65687
4 -818.7833 59.69994 2.75e+11 40.16449 44.33856 41.72812
5 -766.9674 45.05725* 1.26e+11 38.99858 44.16648 40.93451
6 -713.3432 34.97234 7.23e+10* 37.75405* 43.91578 40.06227*
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

Tabel 1 di atas menunjukkan hasil yang bervariasi, sehingga tidak mudah menentukan lag yang seharusnya dipakai dalam analisis. Berdasarkan HQ lag optimal yang disarankan adalah 6, berdasarkan SC adalah 1, berdasarkan AIC adalah 6,  dan berdasarkan LR adalah 5.  Beragamnya lag mengisyaratkan bahwa lag yang digunakan dalam persamaan diperbolehkan antara 1 sampai 6.

3.2. Hasil  Estimasi  VAR

Dalam kajian VAR ini digunakan lag 2, karena lebih efisien dan efektif. Efisien karena cukup menggunakan 2 periode waktu yang akan datang, efektif karena tetap dapat menunjukkan dampak perubahan suatu instrumen terhadap perekonomian secara makro. Hasil estimasi ditunjukkan baik berupa simbol, koefisien, maupun matriks.

a.Tampilan Estimasi Berupa Simbol

Estimation Proc:

===============================

LS 1 2 Y P M R E  @ C

VAR Model:

===============================

Y = C(1,1)*Y(-1) + C(1,2)*Y(-2) + C(1,3)*P(-1) + C(1,4)*P(-2) + C(1,5)*M(-1) + C(1,6)*M(-2) + C(1,7)*R(-1) + C(1,8)*R(-2) + C(1,9)*E(-1) + C(1,10)*E(-2) + C(1,11)

P = C(2,1)*Y(-1) + C(2,2)*Y(-2) + C(2,3)*P(-1) + C(2,4)*P(-2) + C(2,5)*M(-1) + C(2,6)*M(-2) + C(2,7)*R(-1) + C(2,8)*R(-2) + C(2,9)*E(-1) + C(2,10)*E(-2) + C(2,11)

M = C(3,1)*Y(-1) + C(3,2)*Y(-2) + C(3,3)*P(-1) + C(3,4)*P(-2) + C(3,5)*M(-1) + C(3,6)*M(-2) + C(3,7)*R(-1) + C(3,8)*R(-2) + C(3,9)*E(-1) + C(3,10)*E(-2) + C(3,11)

R = C(4,1)*Y(-1) + C(4,2)*Y(-2) + C(4,3)*P(-1) + C(4,4)*P(-2) + C(4,5)*M(-1) + C(4,6)*M(-2) + C(4,7)*R(-1) + C(4,8)*R(-2) + C(4,9)*E(-1) + C(4,10)*E(-2) + C(4,11)

E = C(5,1)*Y(-1) + C(5,2)*Y(-2) + C(5,3)*P(-1) + C(5,4)*P(-2) + C(5,5)*M(-1) + C(5,6)*M(-2) + C(5,7)*R(-1) + C(5,8)*R(-2) + C(5,9)*E(-1) + C(5,10)*E(-2) + C(5,11)

b.Tampilan VAR Lag 2 Berupa Koefisien

VAR Model – Substituted Coefficients:

===============================

Y = 0.8757945521*Y(-1) + 0.02671489246*Y(-2) – 1.425514087*P(-1) + 0.8100282835*P(-2) – 0.3395564012*M(-1) + 1.063531408*M(-2) + 0.02934851156*R(-1) + 0.1314842698*R(-2) – 0.0002862086436*E(-1) – 0.001551540781*E(-2) + 30.96460818

P =  – 0.020198669*Y(-1) + 0.04546276205*Y(-2) + 0.7611094899*P(-1) – 0.0637938657*P(-2) + 0.1011042322*M(-1) – 0.02296019482*M(-2) – 0.1344723065*R(-1) + 0.118624752*R(-2) + 0.001685997572*E(-1) + 1.615096422e-005*E(-2) – 1.382284814

M = 0.1254988439*Y(-1) – 0.01561600657*Y(-2) – 1.123179647*P(-1) + 1.215551101*P(-2) + 0.8658221451*M(-1) – 0.1212863533*M(-2) – 0.1336737432*R(-1) + 0.1307470657*R(-2) + 0.002486505773*E(-1) – 0.0001427459943*E(-2) – 29.74282527

R =  – 0.1047896571*Y(-1) + 0.1694115645*Y(-2) + 0.3213719874*P(-1) – 0.6716347008*P(-2) – 0.002334828961*M(-1) – 0.01670964356*M(-2) + 0.02345419108*R(-1) + 0.3935058396*R(-2) + 0.00465172967*E(-1) – 0.001847065936*E(-2) – 2.384118383

E =  – 22.39709951*Y(-1) + 24.17942775*Y(-2) + 85.95522287*P(-1) – 133.5206866*P(-2) + 44.82929932*M(-1) – 30.14977692*M(-2) – 156.0591332*R(-1) + 88.42786944*R(-2) + 1.100895947*E(-1) + 0.00372188908*E(-2) + 2037.351855

Bedasarkan tampilan VAR (lag 2) dalam bentuk koefisien, dapat dijelaskan hal-hal berikut ini. Output dalam model VAR ini disebabkan oleh 0.88 Y(-1), 0.03 Y(-2),  -1,43 P(-1), 0,81 P(-2), – 0,34 M(-1), 1,06 M(-2), 0,03 R(-1), 0,13 R(-2) , -0,0003 E(-1), dan -0,002 E(-2).    Artinya pengaruh terbesar terhadap kestabilan ekonomi makro Indonesia disebabkan oleh  variabel harga (P) dan dampaknya dapat dirasakan pada 1 (satu) periode yang akan datang.

c.Tampilan Berupa Matrik

Dalam bentuk matriks, hasil pengolahan data ditunjukkan pada Tabel 2 berikut ini.

Tabel 2.  Matriks Hasil Pengolahan VAR

Vector Autoregression Estimates
Date: 09/27/07   Time: 23:22
Sample (adjusted): 1994Q3 2006Q4
Included observations: 50 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Y P M R E
Y(-1) 0.875795 -0.020199 0.125499 -0.104790 -22.39710
(0.17323) (0.02234) (0.06412) (0.03885) (14.4739)
[ 5.05575] [-0.90430] [ 1.95733] [-2.69716] [-1.54741]
Y(-2) 0.026715 0.045463 -0.015616 0.169412 24.17943
(0.19502) (0.02515) (0.07218) (0.04374) (16.2950)
[ 0.13698] [ 1.80792] [-0.21633] [ 3.87314] [ 1.48386]
P(-1) -1.425514 0.761109 -1.123180 0.321372 85.95522
(1.24951) (0.16111) (0.46249) (0.28024) (104.402)
[-1.14086] [ 4.72407] [-2.42857] [ 1.14676] [ 0.82331]
P(-2) 0.810028 -0.063794 1.215551 -0.671635 -133.5207
(1.06487) (0.13731) (0.39414) (0.23883) (88.9745)
[ 0.76068] [-0.46461] [ 3.08402] [-2.81217] [-1.50066]
M(-1) -0.339556 0.101104 0.865822 -0.002335 44.82930
(0.43891) (0.05659) (0.16246) (0.09844) (36.6728)
[-0.77364] [ 1.78650] [ 5.32959] [-0.02372] [ 1.22241]
M(-2) 1.063531 -0.022960 -0.121286 -0.016710 -30.14978
(0.45304) (0.05841) (0.16768) (0.10161) (37.8531)
[ 2.34757] [-0.39305] [-0.72330] [-0.16445] [-0.79649]
R(-1) 0.029349 -0.134472 -0.133674 0.023454 -156.0591
(0.64502) (0.08317) (0.23875) (0.14467) (53.8946)
[ 0.04550] [-1.61683] [-0.55990] [ 0.16212] [-2.89564]
R(-2) 0.131484 0.118625 0.130747 0.393506 88.42787
(0.48358) (0.06235) (0.17899) (0.10846) (40.4048)
[ 0.27190] [ 1.90248] [ 0.73048] [ 3.62821] [ 2.18855]
E(-1) -0.000286 0.001686 0.002487 0.004652 1.100896
(0.00259) (0.00033) (0.00096) (0.00058) (0.21676)
[-0.11033] [ 5.04037] [ 2.58957] [ 7.99497] [ 5.07896]
E(-2) -0.001552 1.62E-05 -0.000143 -0.001847 0.003722
(0.00296) (0.00038) (0.00109) (0.00066) (0.24710)
[-0.52463] [ 0.04235] [-0.13041] [-2.78471] [ 0.01506]
C 30.96461 -1.382285 -29.74283 -2.384118 2037.352
(27.3957) (3.53243) (10.1401) (6.14436) (2289.03)
[ 1.13027] [-0.39131] [-2.93319] [-0.38802] [ 0.89005]
R-squared 0.992285 0.998312 0.996295 0.929015 0.873115
Adj. R-squared 0.990307 0.997879 0.995345 0.910814 0.840580
Sum sq. resides 9467.461 157.4044 1297.034 476.2363 66095399
S.E. equation 15.58061 2.008982 5.766914 3.494451 1301.827
F-statistic 501.6069 2306.390 1048.698 51.04126 26.83641
Log likelihood -202.0368 -99.61681 -152.3422 -127.2942 -423.3116
Akaike AIC 8.521470 4.424672 6.533690 5.531768 17.37246
Schwarz SC 8.942115 4.845317 6.954335 5.952413 17.79311
Mean dependent 459.6615 102.6385 150.7082 16.12400 7357.680
S.D. dependent 158.2523 43.62258 84.52336 11.70120 3260.482
Determinant resid covariance (dof adj.) 1.92E+11
Determinant resid covariance 5.53E+10
Log likelihood -973.1566
Akaike information criterion 41.12626
Schwarz criterion 43.22949

Koefisien determinasi (R2) menunjukkan peran masing-masing variabel dalam menjelaskan pengaruh variabel eksogen tersebut dalam menjelaskan variasi variabel endogen. R2 terbesar adalah R2 dari variabel P, artinya 99.8% stabilitas ekonomi makro Indonesia sebagai small open economy dapat dijelaskan oleh variabel harga. Standar error variabel ini adalah  2,009 artinya kemungkinan kesalahan variabel ini sebagai variabel untuk memprediksi ketidakstabilan perekonomian Indonesia adalah sebesar 2,009 persen (dapat naik atau turun sebesar 2,009%).

  1. MODEL REGRESI DENGAN VARIABLE BEBAS DUMMY.

DERIVASI:

REGRESI DENGAN VARIABLE BEBAS DUMMY.

Analisis regresi tidak saja digunakan untuk data-data kuantitatif (misal : dosis pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif tersebut seringkali menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga dikatagorikan variabel bebas (X) dengan klasifikasi pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1 (satu) kalau kategori yang dimaksud ada dan nilai 0 (nol) kalau kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini, bila kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel dummy dan nilai yang diberikan dapat digunakan seperti variabel kuantitatif lainnya.

Jika terdapat variabel bebas ke-j yang berskala kategorik (nominal) dengan k kategori, maka diperlukan dummy variable sebanyak kj-1 yang dinamakan Dju dengan koefisien βju, u = 1,2,…,kj-1. Sehingga model transformasi logit :

Dalam model regresi logistik, variabel respon diekspresikan sebagai berikut:

yi = π(x) + εi i = 1,2,3,…,n

Dimana εi mempunyai salah satu dari kemungkinan dua nilai, yaitu:

εi = 1- π(x), jika y=1 dengan peluang π(x) dan

εi = – π(x), jika y=0 dengan peluang [1- π(x)]

Dalam hal ini error (εi) mengikuti distribusi Binomial dengan rataan nol dan ragam π(x) [1- π(x)].

ESTIMASI:

REGRESI DENGAN VARIABLE BEBAS DUMMY

Peristiwa merger dan akuisisi disebut sebagai kombinasi bisnis, penekanannya adalah dalam penggabungan bisnis ini,  akuntansi tidak memandang apakah penggabungan tersebut merupakan merger atau akuisisi. Rasio-rasio keuangan yang digunakan dalam penelitian ini adalah ROA, GPM, TAT, CR, DAR. Data laporan keuangan yang digunakan adalah laporan tahun 1998 sampai dengan 2006. Untuk mengetahui pengaruh merger dan akuisisi terhadap pertumbuhan ROA digunakan Dummy Variable, sehingga kita bisa menganalisis ROA sfebelum dan sesudah merger dan Akuisisi.

Dalam penelitian ini menggunakan empat variabel keuangan yang diduga memhpengaruhi profitabilitas perusahaan yang melakukan merger dan akuisisi, yaitu Gross Profit Margin (GPM), Current Ratio (CR), Total Asset Turnover (TAT), Debt to Assets Ratio (DAR). Variabel-variabel tersebut sesuai dengan penelitian Cyrillius M (2002), Doddy S. (2004), dan Palepu (1996). Faktor makro ekonomi menggunakan dua variabel yang diduga mempengaruhi profitabilitas perusahaan, hal ini sesuai dengan penelitian Sakhowi A. (2004). Penelitian Cyrillius (2002) menggunakan variabel ROA industri, intensitas modal tertimbang, leverage keuangan tertimbang untuk mengetahui pengaruhnya terhadap ROA. Penelitian Doddy S. (2004) menggunakan rasio likuiditas, rasio aktivitas, rasio solvabilitas, dan rasio profitabilitas untuk mengetahui pengaruh merger dan akuisisi terhadap kinerja perusahaan dengan menggunakan uji beda. Sedangkan menurut Palepu (1996), menyatakan bahwa profitabilitas dipengaruhi oleh return on sales, assets turnover, dan finansial leverage. Dua variabel sensitifitas perusahaan terhadap ekonomi makro digunakan dalam penelitian ini untuk memprediksi profitabilitas perusahaan. Variabel Real Interest Rate sesuai dengan penelitian  Sakhowi A. (2004), bahwa peningkatan/penurunan Real Interest Rate akan mengakibatkan peningkatan/penurunan ekspektasi pertumbuhan perusahaan yang pada akhirnya akan meningkatkan/menurunkan laba bersih perusahaan. Dan juga variabel Kurs, bahwa perubahan nilai tukar rupiah atas US$ mempunyai pengaruh yang signifikan terhadap return perusahaan.

Secara matematis dapat dituliskan model untuk perusahaan-perusahaan anufaktur yang melakukan merger dan akuisisi :

Yi   = b0 + b1 X1+ b2X2 + b3X3 + b4X4 + b5Di + b6X6 + b7X7 + ei

Dengan :

Y1 = ROA

b0 = intercept

X1 = GPM

X2 = current rasio

X3 = asset turn over

X4 = debt aset rasio

Di = merger dan akuisisi (Dummy variable : 0 = sebelum merger dan akuisisi;

1 = sesudah merger dan akuisisi)

X6 = Kurs / Valas

X7 = Real Interest Rate/ tingkat suku bunga riil

b1,  b2, b3, b4, b5,  b6, b7, = koefisien regresi

ei = standard error  untuk beta dalam  pengamatan.

Hipotesis Penelitian

1.  Diduga bahwa merger dan akuisisi, berpengaruh signifikan terhadap ROA perusahaan.

2.  Diduga bahwa kinerja perusahaan yang diproksikan dengan GPM, Current Rasio, Assets Turnover, Debt Rasio, serta makro ekonomi yang diproksikan dengan Kurs, dan tingkat suku bunga riil berpengaruh signifikan terhadap ROA.

Desain Penelitian

Desain penelitian memberi penjelasan tentang metode apa yang digunakan, bagaimana data dikumpulkan, bagaimana tehnik penarikan sampel dan bagaimana data akan dianalisis. Adapun tujuan penelitian ini adalah untuk mengetahui pengaruh merger dan akuisisi terhadap profitabilitas (ROA) perusahaan-perusahaan manufaktur di Indonesia. Sehingga diharapkan dapat diketahui besarnya peranan merger dan akuisisi dalam mencapai tujuannya untuk menghasilkan profitabilitas (ROA).

Metode yang digunakan dalam penelitian ini adalah metode analisis deskriptif dan verifikasi. Analisis deskriptif dilakukan untuk memperoleh kejelasan mengenai ciri-ciri variabel yang diteliti atau menggambarkan perilaku variabel-variabel yang diamati berdasarkan data-data statistik yang diperoleh. Sedangkan verifikatif dilakukan untuk menguji hipotesis dengan menggunakan alat uji statistik yaitu regresi linier berganda

Definisi, Operasionalisasi dan Pengukuran Variabel

Variable-variabel yang digunakan dalam penelitian ini terdiri dari independent variable GPM (X1), CR (X2), TAT (X3), DAR (X4) yaitu kinerja perusahaan yang direpresentasikan oleh rasio-rasio keuangan yang diperoleh dari laporan keuangan perusahaan, Kurs (X6), RIR (X7), yaitu faktor makro ekonomi. Sedangkan Di adalah Dummy Variabel, yaitu perusahaan manufaktur sebelum merger dan akuisisi dan sesudah merger dan akuisisi. Untuk lebih jelasnya variabel-variabel beserta konsep dan indikatornya dapat dilihat pada tabel berikut :

Tabel .1 Operasional Variabel

Metode Analisis

Untuk menguji pengaruh GPM, current rasio, asset turnover, debt to asset rasio, dan merger dan akuisisi sebagai dummy variable, Kurs dan RIR sebagai faktor makro ekonomi  terhadap ROA digunakan analisis regresi linier berganda, agar diperoleh model taksiran yang tidak bias dan yang terbaik maka sebelum dilakukan pengujian hipotesis terlebih dahulu diuji asumsi-asumsi yang mendasari analisis regresi linier.

  1. MODEL LOGIT ATAU PROBIT

DERIVASI & ESTIMASI LOGIT ATAU PROBIT:

Seringkali topik penelitian yang dibuat menggunakan jenis data kualitatif. Misalnya laki-laki dan wanita, industri sandang, pangan, peralatan dst. Jika jenis kelamin atau industri diberi kode dengan angka, maka sama sekali tidak menunjukkan bahwa angka yang lebih tinggi menunjukkan nilai yang lebih besar.

Angka-angka (numerik) tersebut hanya kode untuk membedakan jenis atau kategori yang satu dengan yang lain. Jika kategori  seperti itu  merupakan variabel penjelas maka dapat digunakan variabel dummy.

Contoh: Dalam model di atas (pengaruh pupuk terhadap hasil panen) kita tambahkan daerah atas dan bawah, maka daerah tersebut kita bedakan dengan variabel dummy. Misalnya kita menduga daerah bawah hasil panen lebih besar, dan kita ingin parameter positif, maka daerah bawah kita beri angka 1 (satu) dan daerah lainnya 0 (nol).

Jika kita memiliki tiga kategori, maka kita hanya bisa membuat variabel dummy sebanyak dua (n-1) kategori. Hal ini dilakukan untuk menghindari multikolinearitas yang sempurna. Misalnya kita punya sembilan kelompok industri, maka kita dapat memasukkan 8 variabel.

1.         Model Glogit (Grouping Logit)

Jika variabel dependen Y berupa data kualitatif dapat digunakan model logit atau logistik. Model logit adalah model yang dikembangkan dari model LPM (Linear Probability Model) dimana data Y terdiri dari 0 dan 1. Dalam model logit data terdiri dari 0 dan 1 diubah sedemikian rupa sehingga menjadi data interval .

Periksa contoh berikut.

Income ($ 000) n N P = n/N GLogit = Ln (P/1-P)
6 8 40 0.20 -1.386
8 12 50 0.24 -1.153
10 18 60 0.30 -0.847
13 28 80 0.35 -0.619
15 45 100 0.45 -0.201
20 36 70 0.51 0.057
25 39 65 0.60 0.405
30 33 50 0.66 0.663
35 30 40 0.75 1.099
40 20 25 0.80 1.386

Tabel di atas memperlihatkan data berkelompok pemilikan  rumah (reproduksi dari Gujarati, 2003:592). Income menunjukkan kelompok pendapatan rata-rata. N adalah besar anggota sampel kategori tertentu (dalam hal ini yang memiliki rumah).

Badingkan misalnya, N kelompok responden tertentu dan n adalah yang setuju terhadap sesuatu pertanyaan. P = n / N adalah probabilitas memiliki rumah yaitu 8 dari 40 responden = 0,2.

Model ini semula berbentuk berikut,

Y = a + bX + e

Dimana Y pemilikan rumah (1 = punya rumah dan 0 = tidak punya rumah), dan X income.

Rasio probabilitas memiliki rumah terhadap probabilitas tidak memiliki rumah adalah,

Dimana Z = a + bX

Jika bentuk di atas diambil logaitma naturalnya, diperoleh,

Dimana Li adalah Logit. Bentuk (P/1-P) disebut odds.

OLS dapat digunakan untuk mengestimasi persamaan (3) yang disebut logit model.

Note.

  1. Interpretasi estimate b adalah mengukur perubahan Li karena perubahan            satu unit X;
  2. OLS hanya dapat untuk mengestimate data kelompok. Untuk data mikro yang bersumber langsung dari individu hanya dapat diestimate dengan metode ML (Maximum Likelihood, lihat modul ke 16, akan diualangi penafsiran Logit dengan alat bantu SPSS).
  3. Untuk dapat menggunakan model di atas N haruslah besar, sehingga diperoleh residual e yang mendekati normal;
  4. Model ini pasti mengalami heteroskedastisitas sehingga harus ditransformasi (lihat modul 7 masalah Uji Heteroskedastisitas).
  5. Dapat digunakan bobot w = N.P (1-P) untuk mentransformasi data. Sehingga model akhir yang dipilih adalah,

dimana L* = Li dan X* = X

Cara Penyajian Regresi

Dari print out komputer tidak semua hasil perlu disajikan, hanya yang relevan kita gunakan.

Hasil dari model logit di atas disajikan sebagai berikut:

L*        =          -1,5           +          0,079X*

(-14,3)***                   (14,4)***

R2        =          0,964

F          =          108

Normalitas (X2)           =          3,4

DW      =          1,13

Heteroskedastisitas (LM test)1             =          2,35

Dalam kurung adalah uji t, ***) signifikan pada taraf uji 1%

Penggunaan SPSS untuk Model Logit dengan Metode ML (Max Likelihood):

1. Buka file data yang akan dianalisis;

2. Pilih menu Analyze    Regression        Binary Logistics

3. Tampak di layar Logistic Regression

4. Pada Kotak Dependen isi dengan variabel Y

5. Pada Kotak Covariate, isi dengan variabel X

6. Klik Options dan aktifkan semua Statistics and Plots

7. Klik  Ok. (Kebih lanjut, lihat modul ke 16 contoh regresi logistik)

2.         Model Probit

Dari model logit di atas, kita peroleh,

Li = Ln  = a + bX

Masalah utama dalam model ini adalah bagaimana menangani variabel kualitatif bagi dependen variabel. Jika dalam logit digunakan logaritma , pada model probit digunakan CDF (Commulatif Distribution Function). Nilai ini dapat diperoleh dari paket  SPSS pada menu transform, compute dan klik: probit. Model lain tujuannya adalah memperoleh sebaran yang normal. Probit atau normit bertujuan memperoleh sebaran Y dan sekaligus e yang normal dari semula 0-1 binomial.

  1. MODEL PERSAMAAN NON-LINIER (LOG ATAU IN).

DERIVASI:

PERSAMAAN NON-LINIER (LOG ATAU IN).

Bila regresi dengan variabel bebas (X) berupa variabel dummy,  maka dikatagorikan sebagai regresi dummy. Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi. Misalnya, variabel Y berupa dua respon yakni gagal (dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Kondisi demikian juga sering dikatagorikan sebagai regresi dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi logistik variabel bebas (X) bisa juga terdiri lebih dari satu variabel.

Regresi logistik merupakan suatu model persamaan yang digunakan untuk menganalisis data kategorik dengan variabel respon berupa data kategori dan variabel bebasnya berupa variabel kategori dan kontinyu (Hosmer dan Lemeshow, 1989). Nilai dari variabel respon (Y) dapat dibedakan dalam dua kategori yaitu sehat atau tidak sehat yang dinotasikan dengan Y = 1 (sehat) dan Y = 0 (tidak sehat) dan akan mengikuti distribusi Bernoulli untuk setiap observasi. Dugaan dari hubungan variabel respon (Y) dan variabel bebas (X) dinyatakan dengan E(y|x) yang memiliki probabilita antara 0 dan 1, atau 0≤E(y|x)≤1.

Menurut Agresti (1990), variabel respon dalam regresi logistik biner merupakan variabel dengan nilai 0 dan 1 yang merupakan random variable yang mengikuti sebaran Bernoulli. Menurut Hosmer dan Lemeshow (1989), model regresi logistik dapat diuraikan dalam uraian penjelasan di bawah ini. Bentuk umum model peluang regresi logistik dengan p faktor (variabel bebas) diformulasikan sebagai berikut:

Nilai p(x) adalah peluang kejadian ‘sehat’ (y=1), sedangkan bj ; j=0,1,…,p adalah nilai parameter. Model regresi logistik ini merupakan model nonlinier sehingga perlu dilakukan tranformasi logit untuk memperoleh model linier agar dapat dilihat hubungan antara variabel respon dengan variabel bebas.

Hasil transformasi logit dari adalah sebagai berikut:

dan   g(x)= β0 + β1x1 + β2x2 +…+ βpxp

Formulasi di atas merupakan fungsi linier dalam parameter-parameternya atau g(x) telah linier dalam parameternya. Semua variabel bebas bersifat diskrit dan berskala nominal, maka variabel tersebut hanya sebagai identifikasi saja dan tidak mempunyai nilai numerik sehingga diperlukan dummy variable. Jika terdapat variabel bebas ke-j yang berskala kategorik (nominal) dengan k kategori, maka diperlukan dummy variable sebanyak kj-1 yang dinamakan Dju dengan koefisien βju, u = 1,2,…,kj-1. Sehingga model transformasi logit :

Dalam model regresi logistik, variabel respon diekspresikan sebagai berikut:

yi = π(x) + εi i = 1,2,3,…,n

Dimana εi mempunyai salah satu dari kemungkinan dua nilai, yaitu:

εi = 1- π(x), jika y=1 dengan peluang π(x) dan

εi = – π(x), jika y=0 dengan peluang [1- π(x)]

Dalam hal ini error (εi) mengikuti distribusi Binomial dengan rataan nol dan ragam π(x) [1- π(x)].

Analisis regresi logistik tersebut dapat diaplikasikan pada PKL 2009-2010, dimana variabel Y merupakan  peubah acak yang menyatakan status kesehatan wanita usia subur dengan dua kategori, yaitu sehat dan tidak sehat. Sedangkan variabel X terdiri dari 12 variabel yaitu kebiasaan merokok, aktifitisas fisik, kebiasaan makan makanan berserat, kebiasaan menggosok gigi, kebiasaan cuci tangan, perilaku buang air besar,kebiasaan tidur di malam hari, sumber air minum, kondisi jamban, kondisi tempat tinggal, status pekerjaan, dan umur. Berikut daftar variabel dan kategorinya dapat dilihat pada Tabel 1.

Tabel 1. Daftar Variabel non Pendidikan dan Kategori

Variabel Nama Variabel Kategori
(1) (2) (3)
Y Status kesehatan wanita usia subur Sehat

Tidak Sehat

1

0

X1 Kebiasaan Merokok Setiap hari

Kadang-kadang

Mantan perokok

Bukan perokok

1

0

0

0

0

1

0

0

0

0

1

0

X2 Aktifitas olahraga Ada

Tidak ada

1

0

X3 Konsumsi buah dan sayur Baik

Kurang

1

0

X4 Kebiasaan menggosok gigi Sehat

Tidak sehat

1

0

X5 Kebiasaan mencuci tangan Sehat

Tidak sehat

1

0

X6 Perilaku buang air besar Jamban

Bukan jamban

1

0

X7 Kebiasaan tidur di malam hari Sehat

Tidak sehat

1

0

X8 Sumber air minum Bersih

Tidak bersih

1

0

X9 Kondisi jamban Baik

Tidak baik

1

0

X10 Kondisi tempat tinggal Rumah sehat

Rumah kurang sehat

Rumah tidak sehat

1

0

0

0

1

0

X11 Status pekerjaan Bekerja

Tidak bekerja

1

0

X12 Umur Kuantitatif

Terdapat satu model lagi, dimana Y adalah peubah acak yang menyatakan status kesehatan wanita usia subur. X adalah tingkat pendidikan wanita usia subur dan pengetahuan wanita usia subur tentang kesehatan.

Tabel 2 Daftar Variabel Pendidikan dan Kategori

Variabel Nama Variabel Kategori Parameter Coding
(1) (2) (3) (4) (5) (6) (7)
Y Status kesehatan wanita usia subur Sehat

Tidak Sehat

1

0

X1 Tingkat pendidikan tertinggi wanita usia subur Tidak pernah sekolah

Belum lulus SD

SD/Sederajat

SMP/Sederajat

SMA/Sederajat

DI/D3

DIV/S1

S2/S3

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

ESTIMASI:

PERSAMAAN NON-LINIER (LOG ATAU IN).

  1. MODEL PERSAMAAN SIMULTAN.

DERIVASI:

PERSAMAAN SIMULTAN.

Model Persamaan Simultan

ESTIMASI:

PERSAMAAN SIMULTAN.

“PENGARUH ZAKAT TERHADAP VARIABEL MAKRO EKONOMI INDONESIA

Latar Belakang Penelitian -          Lahirnya Undang-undang Pajak No.17/2000 yang memungkinkan pembayaran pajak bias terkurangi dengan pembayaran zakat. Dan juga kehadiran Undang-undang No. 38 tahun 1999 tentang pengelolaan zakat.

-          Dalam kondisi krisis ekonomi yang berkelanjutan, sangat sulit mengandalkan pengentasan kemiskinan, pertumbuhan ekonomi, peningkatan pproduksi, peningkatan lapangan kerja dan sebagainya melalui APBN sangatlah terbatas, sehingga pemerintah yang memiliki tanggung jawab untuk memberikan jaminan social kepada rakyatnya tidak mampu.

-          Menurut konsep Islam, pemerintah dapat melaksanakan suatu aturan yang mendorong orang-orang kaya untuk memberikan bantuan kepada kelompok dhuafa dan mustadh’afin, berupa zakat dan shadaqah.

-          Zakat juga berartiu pertumbuhan, karena dengan memberikan hak fakir miskin dan lain-lain yang terdapat dalam harta benda kita, maka terjadilah sirkulasi uang dalam masyarakat yang mengakibatkan bertambah berkembangnya fungsi uang itu dalam masyarakat.

Tujuan Penelitian -          Mengetahui pengaruh zakat terhadap variabel makro ekonomi Indonesia (Kemiskinan, pertumbuhan, investasi)

-          Kebijakan apa yang harus ditempuh untuk meningkatkan pendapatan masyarakat dhuafa (miskin)

Pengguna Hasil penelitian -          Pemerintah, sebagai bahan pertimbangan dan masukan dalam hal pengambilan keputusan

-          Lembaga pengelola zakat, sebagai bahan masukan tentang pengelolaan zakat

-          Masayarakt, sebagi bahan masukan dan laporan empiris tentang manfaat zakat

Pelaksanaan dan data-data penelitian Penelitian ini sebenranya merupakan Tesis pada Program Pascasarjana Universitas Gadjahmada Yogyakarta, tahun 2004. Penelitian ini menggunakan data sekunder berupa laporan zakat tahunan dari forum zakat, jumlah keluarga miskin, pendapatan masyarakat (PDRB), Indeks Harga Konsumen, perolehan Pajak daerah, tingkat investasi, pengelualan pemerintah dan upah minimum propinsi, dan tingakt tabungan masyarakat.
Model Dasar Model dasar dalam penelitian ini dikembangkan oleh Choudhury dan Malik (1992; 264) dengan model sebagai berikut:

Dimana:

Model Penelitian ini Model Persamaan Simultan
Implikasi Kebijakan Pendayagunaan Zakat

-          Zakat digunakan untuk produktif 50%

-          Zakat digunakan untuk produktif 25%

Hasil Penelitian
  1. Pengaruh zakat terhadap pengentasan kemiskinan
  1. Pengaruh zakat terhadap variable makro ekonomi
Berdasarkan hasil perhitungan di atas, terlihat bahwa:

a. Hasil estimasi persamaa I

b. Hasil Estimasi persamaan II
c. Hasil estimasi persamaa III
About these ads
  1. July 26, 2010 at 6:57 pm

    It is a good blog , and its really informative.Comments are good in sites because this is one of the proof that your site is helpful to readers and many readers patronize your post.I just wanted to say a quick thank.

  2. August 13, 2013 at 12:07 pm

    I was suggested this blog by my cousin. I am not sure whether this post is written
    by him as no one else know such detailed about my problem.
    You’re incredible! Thanks!

  1. No trackbacks yet.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

Follow

Get every new post delivered to your Inbox.

Join 25 other followers

%d bloggers like this: