Model Regresi Data Panel Untuk Mengetahui Konsumsi Listrik Pada Industri Besar Dan
Sedang Di Kalimantan Timur
Regression Models for Panel Data Aware Power Consumption in Large and Medium
Industries in East Kalimantan
Abstract
Panel data is a combination of cross-section and time-series data. Regression using panel data referred to
panel data regression model. In estimating the panel regression model, there are three approaches that can
be performed, the Common Effect Model (CEM), the Fixed Effect Model (FEM) and the Random Effect
Model (REM). In the CEM, the parameters were estimated using the Ordinary Least Square (OLS), the FEM,
the parameters are estimated using OLS method by adding dummy variables. And the REM, random error is
assumed and estimated by the method of Generalized Least Square (GLS). Based on the test results showed
that the panel data regression models with Random Effect Model approach was selected as the best model
than the model approach Common Effect or Fixed Effect model approach.
Keywords: Regression of Panel Data, Common Effect Model (CEM), Fixed Effect Model (FEM), Random
Effects Model (REM).
Pendahuluan
Data yang dipergunakan dalam analisis Penelitian ini terkait dengan jumlah konsumsi
ekonometrika dapat berupa data time series, data listrik yang berasal dari PT. PLN. PLN adalah
cross section, atau data panel. Data panel perusahaan milik negara yang berusaha di bidang
merupakan gabungan data cross section dan data tenaga listrik untuk kepentingan masyarakat dan
time series. Dengan kata lain, data panel Negara. Adapun usaha-usahanya meliputi,
merupakan unit-unit individu yang sama yang produksi, transmisi, dan distribusi tenaga listrik;
diamati dalam kurun waktu tertentu. Secara umum, perencanaan dan pembangunan tenaga listrik;
data panel dicirikan oleh T periode waktu yang pengusahaan dan pengembangan tenaga listrik;
kecil dan N jumlah individu yang besar. Namun pengusahaan jasa-jasa di bidang tenaga listrik.
tidak menutup kemungkinan sebaliknya, yaitu data Listrik adalah komoditas penting bagi
panel terdiri dari periode waktu yang besar dan kelangsungan sendi-sendi kehidupan manusia saat
jumlah individu yang kecil (Lestari, 2006). Regresi ini. Tanpa pasokan energi listrik, hampir dipastikan
dengan menggunakan data panel disebut dengan banyak dunia usaha, rumah tangga maupun sektor
model regresi data panel. yang lain lumpuh karenanya. Sebagian besar
Dalam mengestimasi model regresi panel ini, sumber listrik di Provinsi Kalimantan Timur hingga
ada tiga pendekatan yang dapat dilakukan, yaitu saat ini masih dipasok oleh Perusahaan Umum
common effect model (CEM), fixed effect model Listrik Negara (BPS, 2010).
(FEM) dan random effect model (REM). Pada Menurut BPS, industri pengolahan adalah
CEM, parameter diestimasi menggunakan metode suatu kegiatan ekonomi yang melakukan kegiatan
Ordinary Least Square (OLS), pada FEM, mengubah suatu barang dasar secara mekanis,
parameter diestimasi menggunakan metode OLS kimia, atau dengan tangan sehingga menjadi barang
melalui penambahan variabel dummy. Dan pada jadi atau setengah jadi dan atau barang yang kurang
REM, error diasumsikan random dan diestimasi nilainya menjadi barang yang lebih tinggi nilainya,
dengan metode Generalized Least Square (GLS) dan sifatnya lebih dekat kepada pemakai akhir. BPS
(Widarjono, 2009). menggolongkan industri pengolahan berdasarkan
Pemilihan pendekatan yang sesuai antara jumlah tenaga kerja yang bekerja di suatu
Model fixed effect dan model random effects pada perusahaan industri. Penggolongan industri
asumsi yang dibuat mengenai kemungkinan menurut BPS adalah industri besar: dengan jumlah
korelasi antar individu, komponen error i dan X. tenaga kerja 100 orang atau lebih, industri sedang:
Jika diasumsikan bahwa komponen error i dan dengan jumlah tenaga kerja 20-99 orang, industri
variabel-variabel X tidak berkorelasi maka REM kecil: dengan jumlah tenaga kerja 5-19 orang, dan
adalah pendekatan estimasi yang sesuai. Sedangkan industri rumah tangga: dengan jumlah tenaga kerja
jika komponen error i dan X saling berkorelasi 1-4 orang. Sehingga, industri pengolahan besar
maka FEM yang paling sesuai. sedang (IBS) adalah perusahaan industri yang
mempunyai jumlah tenaga kerja 20 orang atau 𝑦𝑖𝑡 adalah variabel dependen untuk unit cross
lebih. section ke-i untuk periode waktu ke-t,
Berdasarkan uraian tersebut, maka penulis 𝜷′ = (𝛽1 , 𝛽2 , … , 𝛽𝐾 ) adalah vektor konstanta
tertarik untuk melakukan penelitian dengan judul berukuran 1 × K , 𝒙′𝒊𝒕 = 𝑥1𝑖𝑡 , 𝑥2𝑖𝑡 , … , 𝑥𝐾𝑖𝑡
“Model Regresi Data Panel untuk Mengetahui menunjukkan vektor observasi pada variabel
Konsumsi Listrik pada Industri Besar dan Sedang independen berukuran 1×K,
di Kalimatan Timur”. Adapun data yang digunakan 𝛼𝑖𝑡 merupakan intersep dari unit cross section ke-i
pada penelitian ini adalah data panel seimbang dan waktu ke-t,
(balance panel data). uit adalah error regresi untuk unit cross section ke-i
untuk periode waktu ke-t.
Regresi Data Panel
Regresi dengan menggunakan data panel Metode Estimasi Model Regresi Data Panel
disebut model regresi data panel. Data yang Secara umum dengan menggunakan regresi
digunakan adalah data panel, yaitu gabungan data panel akan menghasilkan intersep dan slope
cross section dan data time series. Dengan kata koefisien yang berbeda-beda pada setiap individu
lain, data panel merupakan unit-unit individu yang dan setiap periode waktu. Oleh karena itu untuk
sama yang diamati dalam kurun waktu tertentu. mengestimasi persamaan (1) akan sangat
Secara umum, data panel dicirikan oleh T periode bergantung pada asumsi yang dibuat mengenai
waktu (t = 1, 2,...,T) yang kecil dan N jumlah intersep, slope koefisien dan error uit (Hsiao, 2003).
individu (i = 1, 2,..., N) yang besar, sehingga total Dalam mengestimasi model regresi data panel,
observasi yang dimiliki adalah sejumlah N × T. tiga pendekatan yang digunakan, yaitu pendekatan
Ada beberapa keuntungan yang diperoleh Common Effects, Fixed Effects dan Random Effects.
dengan menggunakan data panel (Lestari, 2006),
yaitu: a) Model Common Effect
1. Data lebih banyak dan informasi lebih lengkap, Model common effect merupakan pendekatan
karena merupakan gabungan dari data cross data panel yang paling sederhana, yaitu hanya
section dan data time series, sehingga degree dengan mengkombinasikan data time series dan
of freedom (df) yang dihasilkan lebih besar, data cross section dalam bentuk pool, dan teknik
akibatnya presisi estimasi regresi akan estimasinya menggunakan pendekatan kuadrat
meningkat, terkecil/ pooled least square (Pindick & Rubinfield,
2. Masalah yang timbul akibat penghilangan 1998).
variabel (omitted variable) dapat diatasi, Adapun persamaan regresi dalam model
3. Meminimalkan bias yang dihasilkan oleh common effect dapat ditulis sebagai berikut
agregasi individu karena unit data lebih (Widarjono, 2009) :
banyak,
4. Mengakomodasi tingkat heterogenitas 𝑦𝑖𝑡 = 𝛼 + 𝜷′ 𝒙𝒊𝒕 + 𝑢𝑖𝑡 , (2)
variabel-variabel yang tidak dimasukkan dalam untuk 𝑖 = 1,2, … , 𝑁 dan 𝑡 = 1,2, … 𝑇
model (unobserved heterogeneity), dengan N adalah jumlah unit cross-section dan T
5. Mampu mengindikasikan dan mengukur efek adalah jumlah periode waktu.
yang secara sederhana tidak dapat diperoleh dimana:
dengan data cross section murni atau time 𝑦𝑖𝑡 adalah variabel dependen untuk unit cross
series murni, section ke-i dan periode waktu ke-t,
6. Mengurangi kolinieritas antar variabel, 𝜷′ = (𝛽1 , 𝛽2 , … , 𝛽𝐾 ) adalah vektor konstanta
7. Menguji dan membangun model perilaku yang berukuran 1×K, dan 𝒙′𝒊𝒕 = 𝑥1𝑖𝑡 , 𝑥2𝑖𝑡 , … , 𝑥𝐾𝑖𝑡
lebih kompleks, menunjukkan vektor observasi pada variabel
8. Fleksibilitas peneliti dalam memodelkan independen berukuran 1×K,
perbedaan perilaku antar observasi lebih besar, α adalah intersep,
9. Dapat menggambarkan perubahan yang uit adalah error regresi untuk unit cross-section ke-i
dinamis dibandingkan dengan studi berulang untuk periode waktu ke-t.
dengan data cross section,
10. Mampu mengontrol heterogenitas individu. b) Model Fixed Effects
Adapun model regresi data panel secara umum Model ini mengasumsikan bahwa perbedaan
dapat dinyatakan dalam bentuk sebagai berikut antar individu dapat diakomodasi melalui
(Hsiao, 2003) : perbedaan intersepnya. Untuk mengestimasi model
𝑦𝑖𝑡 = 𝛼𝑖𝑡 + 𝜷′ 𝒙𝒊𝒕 + 𝑢𝑖𝑡 , (1) fixed effects dimana intersep berbeda antar
individu, maka digunakan teknik variabel dummy.
untuk i = 1, 2, …, N dan t = 1, 2, …,T Model estimasi ini sering disebut dengan teknik
dimana: Least Square Dummy Variable (LSDV).
i adalah unit cross-section Adapun persamaan regresinya adalah sebagai
t adalah periode waktu berikut:
Model Fixed Effects adalah (Hsiao, 2003) : dari model regresi data panel tanpa variabel dummy
(common effects) dengan melihat sum square
𝑦𝑖𝑡 = 𝛼1𝑖 + 𝜷′ 𝒙𝒊𝒕 + 𝑢𝑖𝑡 , (3)
residual (SSR).
untuk 𝑖 = 1,2, … , 𝑁 dan t = 1,2,…,T. Adapun tahapan pengujian hipotesisnya (2.8)sebagai
dengan N adalah jumlah unit cross-section dan T berikut:
adalah jumlah periode waktu. Hipotesis
dimana: H0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑁−1 = 0 (slope dan
𝑦𝑖𝑡 adalah variabel dependen untuk unit cross intersep adalah sama (mengikuti model
section ke-i dan periode waktu ke-t, common effects))
𝜷′ = (𝛽1 , 𝛽2 , … , 𝛽𝐾 ) adalah vektor konstanta H1 : sekurang-kurangnya ada satu intersep (αi)
berukuran 1×K, dan 𝒙′𝒊𝒕 = 𝑥1𝑖𝑡 , 𝑥2𝑖𝑡 , … , 𝑥𝐾𝑖𝑡 yang tidak sama (slope sama dan intersep
menunjukkan vektor observasi pada variabel berbeda (mengikuti model fixed effects)),
independen berukuran 1×K, dimana i = 1, 2, …, N; t = 1, 2,…, T.
α1i adalah intersep pada unit cross-section ke-i, Taraf Signifikansi adalah α (biasanya α = 0,05)
uit adalah error regresi untuk unit cross-section ke- Statistik Uji
i untuk periode waktu ke-t dengan uitIIDN(0,2). Adapun uji statistiknya adalah sebagai berikut
(Baltagi, 2005) :
c) Model Random Effects 𝑅𝑆𝑆 1 −𝑅𝑆𝑆 2 𝑁−1
Pada model random effects, diasumsikan αi 𝐹= 𝑅𝑆𝑆 2 𝑁𝑇−𝑁−𝑘
(6)
merupakan variabel random dengan mean 𝛼0 dan
dimana:
varian 2. Sehingga intersep dapat dinyatakan N = jumlah unit cross section;
sebagai (Widarjono, 2009) : k = jumlah variabel independen;
𝛼𝑖 = 𝛼0 + 𝜀𝑖 dimana i = 1, 2, …, N (4) T = jumlah data time series;
dengan i merupakan error random yang RSS1= residual sum of square teknik tanpa variabel
mempunyai mean 0 dan varian 2, i tidak secara dummy (common effects);
langsung diobservasi, atau disebut juga variabel RSS2 = residual sum of square teknik fixed effects
laten (Gujarati, 2004), dengan variabel dummy.
dimana: Atau nilai p-value
𝐸 𝜀𝑖 = 𝐸 𝑢𝑖𝑡 = 0; 𝐸 𝜀𝑖2 = 𝜎𝜀2 ; 𝐸 𝑢𝑖𝑡2 = 𝜎𝑢2 ; Daerah kritis
𝐸 𝜀𝑖 , 𝜀𝑗 = 0; 𝐸 𝜀𝑖 , 𝜀𝑗𝑡 = 0, untuk i ≠ j. H0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹𝛼 𝑣1 ,𝑣2 ,
Adapun persamaan regresi untuk model random atau nilai p-value< α.
effects dapat ditulis sebagai berikut (Gujarati,
2004): b) Uji Signifikansi Random Effects
Untuk mengetahui model random effects lebih
𝑦𝑖𝑡 = 𝛼0 + 𝛽′ 𝑥𝑖𝑡 + 𝑤𝑖𝑡 , untuk 𝑖 = 1,2, … , 𝑁 dan baik dari model common effects digunakan uji
𝑡 = 1,2, … 𝑇 (5) Lagrange Multiplier (LM) dengan Metode Bruesch
dimana 𝑤𝑖𝑡 = 𝑢𝑖𝑡 + 𝜀𝑖 . Pagan. Uji signifikansi model random effects
Suku error gabungan wit memuat dua komponen didasarkan pada nilai residual dari metode
Ordinary Least Square (OLS).
error yaitu i komponen error cross section dan uit
Adapun tahapan pengujian hipotesisnya sebagai
yang merupakan kombinasi komponen error cross
berikut:
section dan time series.Karena inilah, model
Hipotesis
random effects juga disebut Error Components
H0 : 𝜎𝑢2 = 0 (intersep tidak bersifat random atau
Model (ECM).
stokastik (mengikuti model common effect))
H1 : 𝜎𝑢2 ≠ 0 (intersep bersifat random atau
Pemilihan Teknik Estimasi Regresi Data Panel
stokastik (mengikuti model random effect)),
Dalam menentukan estimasi model regresi data
dimana i = 1,2,…, N; t=1,2,…,T.
panel, dilakukan beberapa uji untuk memilih
Taraf Signifikansi adalah α (biasanya α = 0,05)
metode pendekatan estimasi yang terbaik.
Statistik Uji
Pengujian yang dilakukan untuk memilih model
Secara matematis, statistik uji yang digunakan
regresi data panel terbaik meliputi uji CHOW pada
dapat dirumuskan sebagai berikut (Widarjono,
hasil estimasi model fixed effect, selanjutnya
2009) :
dilakukan uji Lagrange Multiplier (LM) pada nilai
residual dari metode Ordinary Least Square (OLS) 2
N
dan langkah terakhir dilakukan uji Hausman.
i 1
𝑇𝑒 𝑖
2
𝑁𝑇
a) Uji Signifikansi Fixed Effects 𝐿𝑀 = −1 (7)
2 𝑇−1 N T
Uji CHOW digunakan untuk mengetahui
apakah model regresi data panel dengan fixed
i 1 t 1
2
𝑒𝑖𝑡
t 2
𝑒𝑡2
d. Non Autokorelasi
pengolahan besar dan sedang di Kalimantan Timur, kenaikan nilai harga solar Rp. 1,- per liter maka
terlebih dahulu dilakukan analisis deskriptif. nilai konsumsi listrik akan turun sebesar 763.140,7
KWH. Adapun untuk setiap kenaikan nilai jumlah
Analisis Statistika Deskriptif perusahaan 1 unit maka nilai konsumsi listrik akan
Analisis statistika deskriptif bertujuan untuk naik sebesar 853.934,9 Kwh.
menggambarkan keadaan data seperti rata-rata,
standar deviasi, data minimum, data maksimum dan b) Estimasi dengan model Fixed Effects
jumlah data tersebut. Hasil analisis yang telah Hasil estimasi melalui metode Ordinary Least
dilakukan dapat dilihat pada Tabel 2. Square (OLS) dengan variabel dummy dapat dilihat
pada Tabel 4.berikut ini:
Tabel 2. Hasil Statistika Deskriptif dari tahun 2005
sampai tahun 2010 Tabel 4. Estimasi Data Panel dengan metode OLS (sub
Standar sektor 1 sebagai sub sektor pembanding)
Variabel N Rata-rata
deviasi Variabel Koefisien
Konsumsi Listrik 42 18.958.505 36.430.6 C (intersep) 14.017.621
(KWH) 11 x1 (Harga Listrik) -3.854.131
Harga Listrik 42 1,4968 1,2103 x2 (Harga Solar) -849.013,4
(Rp/KWH) x3 (Jumlah Perusahaan) 343.301,2
Harga Solar (Rp/liter) 42 4,8954 3,1075 D2 (sub sektor 2) -2.286.343
Jumlah Perusahaan 42 18,14286 13,6749 D3 (sub sektor 3) 28.813.425
(Unit) D4 (sub sektor 4) -3.814.884
D5 (sub sektor 5) 53.324.105
Berdasarkan Tabel 2., terlihat bahwa konsumsi D6 (sub sektor 6) -9.953.606
listrik PLN per sub sektor Industri Besar dan D7 (sub sektor 7) -5.618.957
Sedang sepanjang tahun 2005 hingga tahun 2010
memiliki jumlah data untuk masing-masing Sehingga dari tabel 4.tersebut dapat
variabel sebanyak 42 observasi dengan rata-rata dirumuskan model regresi data panel dengan
konsumsi listrik sebesar 18.958.505 KWH dengan pendekatan Fixed Effects adalah sebagai berikut:
standar deviasi 36.430.611 KWH. Rata-rata harga 𝑦𝑖𝑡 = 14.017.621 − 2.286.343𝐷2
listrik sebesar Rp. 1,4968 per KWH dengan standar +28.813.425𝐷3 − 3.814.884𝐷4
deviasi Rp. 1,2103 per KWH. Rata-rata harga solar +53.324.105𝐷5 − 9.953.606𝐷6
sebesar Rp. 4,8954 per liter dengan standar deviasi −5.618.957𝐷7 + 3.854.131𝑥1𝑖𝑡
Rp. 3,1075 per liter. Dan jumlah perusahaan −849.013,4𝑥2𝑖𝑡 + 343.301,2𝑥3𝑖𝑡 (16)
sebesar 18,14286 unit dengan standar deviasi
13,6749 unit. Berdasarkan persamaan (16), dapat dijelaskan
bahwa setiap kenaikan nilai harga listrik Rp. 1,- per
Estimasi Model Regresi Data Panel KWH maka nilai konsumsi listrik akan turun
Dalam mengestimasi model regresi data panel, sebesar 3.854.131 KWH. Sedangkan untuk setiap
terdapat tiga pendekatan yang digunakan, yaitu kenaikan nilai harga solar Rp. 1,- per liter maka
pendekatan Common Effects, pendekatan Fixed nilai konsumsi listrik akan turun sebesar 849.013,4
Effects dan Random Effects. KWH. Adapun untuk setiap kenaikan nilai jumlah
perusahaan 1 unit maka nilai konsumsi listrik akan
a) Estimasi dengan model Common Effects naik sebesar 343.301,2 KWH. Kemudian D2, D3,…,
Hasil dari model common effect ini dapat D7 merupakan variabel dummy untuk mengetahui
dilihat pada Tabel 3 berikut ini: perbedaan intersep antar sub sektor industri besar
dan sedang dalam mengkonsumsi listrik.
Tabel 3. Estimasi Data Panel dengan Common Effects
Variabel Koefisien
c) Estimasi dengan model Random Effects
C (intersep) 12.742.804 Hasil estimasi dan nilai random effect dari
x1 (Harga Listrik) -3.701.971
x2 (Harga Solar) -763.140,7
model random effect ini dapat dilihat pada Tabel 5
x3 (Jumlah Perusahaan) 853.934,9 dan Tabel 6.
Tabel 5. Estimasi data panel dengan random effects
Sehingga, model regresi data panel dengan
Variabel Koefisien
estimasi Common Effects pada tabel 3 adalah
C(intersep) 17.200.426
sebagai berikut: x1 (Harga Listrik) -4.024.444
𝑦𝑖𝑡 = 12.742.804 − 3.701.971𝑥1𝑖𝑡 x2 (Harga Solar) -865.771,8
−763.140,7𝑥2𝑖𝑡 + 853.934,9𝑥3𝑖𝑡 (15) x3 (Jumlah Perusahaan) 662.536,6
Berdasarkan persamaan (15), dapat dijelaskan Dari tabel 5., diperoleh nilai koefisien slope
bahwa setiap kenaikan nilai harga listrik Rp. 1,- per sebesar -4.024.444, -865.771,8 dan 662.536,6.
KWH maka nilai konsumsi listrik akan turun Selain itu, diperoleh pula nilai intersep sebesar
sebesar 3.701.971 KWH. Sedangkan untuk setiap 17.200.426 yang merupakan nilai rata-rata dari
komponen kesalahan random.
Tabel 7. Rata-rata taksiran jumlah kuadrat residual pada Pengujian Signifikansi Parameter
tahun 2005-2010 Pengujian parameter dilakukan untuk
Sub sektor mengetahui secara simultan dan parsial parameter
industri
Nilai 𝒆𝒊 Nilai 𝒆𝟐𝒊 dalam model regresi telah signifikan atau tidak,
besar dan yang artinya apakah variabel bebas berpengaruh
sedang
terhadap variabel tidak bebas.
Sub sektor 1 -16.840.960,3563 2,83618 x 1014
Sub sektor 2 -3.876.975,1141 1,50309 x 1013
Sub sektor 3 9.249.408,2506 8,55516 x 1013 a) Uji Koefisien Regresi Secara Simultan (Uji
Sub sektor 4 -6.015.000,0363 3,61802 x 1013 F)
Sub sektor 5 45.863.832,2447 2,10349 x 1013 Hipotesis pengujian:
Sub sektor 6 -15.876.329,4306 2,52058 x 1013 H0 : β1 = β2 = β3 = 0 (secara simultan nilai harga
Sub sektor 7 -12.503.975,5580 1,56349 x 1013 listrik, nilai harga solar dan nilai jumlah
𝑒𝑖2 2,93228 x 1015 perusahaan tidak berpengaruh terhadap
nilai konsumsi listrik)
Berdasarkan Tabel 7 diperoleh 𝑒𝑖2 = 2,93228 H1 : paling sedikit salah satu nilai βi ≠ 0 (secara
× 1015 simultan nilai harga harga listrik, nilai
2 harga solar dan nilai jumlah perusahaan
7𝑥6 6 2 𝑥 2,93228 x 10 15
𝐿𝑀 = 2 6−1 4,70 𝑥 10 16
−1 = berpengaruh terhadap nilai konsumsi
42 2 listrik), dengan i = 1, 2, 3.
3,9097 − 1 = 35,5588 (4.22)
10 Taraf Signifikansi adalah α = 0,05
2𝑡𝑎𝑏𝑒𝑙 = 20,05;3 = 7,815 Statistik Uji
Hasil uji LM menunjukkan nilai statistik Statistik uji F dihitung dengan formula (pada
𝐿𝑀 = 35,5588 > 7,815, maka dapat disimpulkan persamaan 9).
intersep untuk setiap sub sektor industri besar dan Dimana R2 = 0,582996, k = 3, N = 7, dan T = 6
sedang bersifat random atau stokastis, yang artinya 0,582996 3−1
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = 22,36894
model random effect lebih baik dari model regresi 1−0,582996 7∗6−7−3
common effect. 𝐹0,05 2,32 = 3,29
Daerah kritis
c) Uji Hausman H0 ditolak jika Fhitung>Fα;(k-1,NT-N-k) = F0,05(2,32) =
Adapun tahapan pengujian hipotesisnya 3,29 atau nilai p-value< α.
sebagai berikut: Keputusan
Hipotesis: H0 ditolak, karena Fhitung= 22,36894>F0,05(2,32)
H0 : 𝑐𝑜𝑟𝑟 𝑥𝑖𝑡 , 𝑢𝑖𝑡 = 0 (model random effects Kesimpulan
lebih baik dari pada model fixed effects Secara simultan nilai harga harga listrik, nilai
(mengikuti model random effects)) harga solar dan nilai jumlah perusahaan
H1 : 𝑐𝑜𝑟𝑟 𝑥𝑖𝑡 , 𝑢𝑖𝑡 ≠ 0 (model fixed effects berpengaruh terhadap nilai konsumsi listrik.
lebih baik dari pada model random effects
(mengikuti model fixed effects)), dimana b) Uji Koefisien Regresi Secara Parsial (Uji t)
i = 1, 2,…,7; t = 1, 2,…, 6. Hipotesis pengujian:
Berdasarkan hasil uji hausman.diperoleh nilai H0 : β0 = 0 (nilai konstanta tidak berpengaruh
statsitik chi-square (W) = 0,283266 dan bebas (db) secara signifikan terhadap nilai konsumsi
= 3, sehingga diperoleh nilai 2𝑡𝑎𝑏𝑒𝑙 = 20,05;3 = listrik)
7,815 atau nilai p-value = 0,9631 H1 : β0 ≠ 0 (nilai konstanta berpengaruh secara
Sehingga, hasil uji Hausman menunjukkan signifikan terhadap nilai konsumsi listrik)
bahwa H0 diterima karena nilai H0’ : β1 = 0 (nilai harga listrik tidak berpengaruh
W = 0,283266 < 7,815 atau nilai secara signifikan terhadap nilai konsumsi
p-value = 0,9631 > 0,05, maka dapat disimpulkan listrik)
model random effects lebih baik dari pada model H1’ : β1 ≠ 0 (nilai harga listrik berpengaruh
fixed effects. secara signifikan terhadap nilai konsumsi
Dari hasil pemilihan teknik estimasi regresi listrik)
data panel menunjukkan bahwa model yang tepat H0’’ : β2 = 0 (nilai harga solar tidak berpengaruh
untuk menganalisis konsumsi listrik ke tujuh sub secara signifikan terhadap nilai konsumsi
sektor Industri Besar dan Sedang (IBS) tersebut listrik)
adalah model Random Effects maka analisis selesai. H1’’ : β2 ≠ 0 (nilai harga solar berpengaruh secara
Selanjutnya dilakukan pengujian signifikansi signifikan terhadap nilai konsumsi listrik)
parameter untuk model yang terbaik pada H0’’’ : β3 = 0 (nilai jumlah perusahaan tidak
persamaan regresi data panel. berpengaruh secara signifikan terhadap
nilai konsumsi listrik)
H1’’’ : β3 ≠ 0 (nilai jumlah perusahaan variabel independen X yang lain. Regresi yang
berpengaruh secara signifikan terhadap dilakukan ini adalah regresi Auxiliary.
nilai konsumsi listrik) Hasil perhitungan regresi auxiliary beserta nilai
Taraf Signifikansi adalah α = 0,05 statistik F dan nilai VIF, hasilnya dapat dilihat pada
Tabel 9.
Tabel 8. Uji statistik uji t-student
Varia Koefisien Std. Error 𝒕𝒉𝒊𝒕𝒖𝒏𝒈 p-value Tabel 9. Hasil Perhitungan Regresi Auxiliary
bel Nilai
Variabel R-square
C 17.200.426 1.935.491 8,886852 0,0307 Fhitung
x1 -4.024.444 403.296,1 -9,978881 0,0338 x1 (Harga Listrik) 0,689028 0,016934
x2 -865.771,8 156.256,3 -5,540716 0,0419 x2 (Harga Solar) 0,264376 0,006566
x3 662.536,6 166.736,4 3,973557 0,0064 x3 (Jumlah Perusahaan) 0,945765 0,023098
Berdasarkan Tabe l8., nilai statistik uji t Berdasarkan Tabel 9., hasil regresi auxiliary,
menunjukkan bahwa semua 115 variabel menolak tidak terdapat multikolinieritas karena dari ke tiga
H0, karena semua nilai𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > t0,025;(32) = 2,037. persamaan di atas nilai Fhitung lebih kecil dari Ftabel,
Atau nilai p-value < 0,05, sehingga dapat yaitu 0,689028 < 3,23, 0,264376 < 3,23 dan
disimpulkan bahwa nilai konstanta, nilai harga 0,945765 < 3,23. dengan menghitung nilai
listrik, Nilai harga solar,dan nilai jumlah Variance Inflation Factor (VIF) berdasarkan
perusahaan berpengaruh secara signifikan terhadap regresi auxiliary (R2) (pada persamaan 12) adalah
nilai konsumsi listrik. sebagai berikut:
Dari hasil uji signifikasi parameter diatas, 1
𝑉𝐼𝐹𝑥 1 𝑥 2 𝑥 3 = 1−0,016934
= 1,017226, 𝑉𝐼𝐹𝑥 2 𝑥 1 𝑥 3 =
dapat disimpulkan bahwa nilai harga listrik, nilai
1
harga solar dan nilai jumlah perusahaan = 1,006609 dan 𝑉𝐼𝐹𝑥 3 𝑥 1 𝑥 2 =
1−0,006566
berpengaruh secara signifikan terhadap nilai 1
konsumsi listrik. = 1,023644
1−0,023098
Pengujian Asumsi Persamaan Regresi Dari perhitungan VIF, nilainya lebih kecil dari
Sebelum memperoleh model regresi data panel 10 sehingga tidak ada multikolinieritas dalam
yang terbaik, maka akan dilakukan pengujian model regresi.
asumsi yaitu asumsi normalitas, heterokedastisitas,
multikolinieritas dan autokorelasi, mengingat data c) Homoskedastisitas
yang diuji merupakan data cross section, maka Adapun tahapan pengujian hipotesisnya
dicurigai terdapat heteroskedastisitas. sebagai berikut:
Hipotesis:
a) Asumsi Kenormalan H0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎422
= 𝜎 (tidak terdapat
Adapun tahapan pengujian hipotesisnya masalah heterokedastisitas)
sebagai berikut: H1 : minimal terdapat satu pasang 𝜎𝑖2 ≠ 𝜎𝑗2
Hipotesis: (terdapat masalah heterokedastisitas),
H0 : iN(0,2) (residual berdistribusi normal) dimana i,j= 1, 2,…, 42 dan i≠j
H1 : residual tidak berdistribusi normal Taraf Signifikansi adalah α = 0,05
Taraf Signifikansi adalah α = 0,05 Tabel 10. Uji Heterokedastisitas: White
Berdasarkan uji normalitas diperoleh nilai F-statistik 0,169257 Prob. F(9,32) 0,9959
residual JB = 5,358881 atau nilai
Obs*R- Prob. Chi-
p-value = 0,068602 1,908500 0,9928
squared Square(9)
Sehingga, hasil uji normalitas menunjukkan Scaled
bahwa nilai 115 statistik 𝐽𝐵 < 20,05;3 = 7,815, explained 15,66619
Prob. Chi-
0,0742
Square(9)
atau SS
Nilai p-value > 0,05, maka dapat disimpulkan R-square 0,045440
bahwa residual berdistribusi normal. Berdasarkan Tabel 10. diperoleh nilai
2ℎ𝑖𝑡𝑢𝑛𝑔 = 1,908500 atau nilai p-value = 0,9928
b) Multikolinieritas
Untuk mengetahui apakah variable independen Daerah kritis
X yang satu berhubungan dengan variabel H0 gagal ditolak jika nilai statistik
independen X yang lain adalah dengan melakukan 2ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑛 𝑅2 < 2𝑡𝑎𝑏𝑒𝑙 = 2(𝛼;𝑘 )
regresi setiap variabel independen X dengan sisa
Keputusan Kesimpulan
H0 gagal ditolak, karena nilai Berdasarkan hasil pengujian yang telah
2ℎ𝑖𝑡𝑢𝑛𝑔 = 1,908500 < 2(0,05;9) = 16,919 dilakukan dapat disimpulkan bahwa, dari uji
atau nilai p-value = 0,9928> 0,05. CHOW, uji Lagrange Multiplier (LM) dan uji
Kesimpulan Hausman menunjukkan bahwa model yang tepat
Tidak terdapat masalah heterokedastisitas untuk menganalisis konsumsi listrik ke tujuh sub
sektor Industri Besar dan Sedang (IBS) tersebut
d) Non Autokorelasi adalah model Random Effects. Model ini telah
Adapun tahapan pengujian hipotesisnya memenuhi asumsi normalitas, heteroskedastisitas,
sebagai berikut: multikolinieritas dan autokorelasi.
Hipotesis:
Daftar Pustaka
H0 : = 0 (tidak ada autokorelasi)
Badan Pusat Statistik [BPS]. 2010. Kalimantan
H1 : ≠ 0 (ada autokorelasi) Timur dalam Angka. Kalimantan Timur: BPS
Taraf Signifikansi adalah α = 0,05 Baltagi, B. H. 2005. Econometrics Analysis of
Statistik Uji Panel Data, 3th edition. John Wiley & Sons,
Secara matematis, statistik uji yang digunakan Ltd. England.
dapat dirumuskan (pada persamaan 14) sebagai Hsiao, C. 2003. Analysis of Data Panel, 2th edition.
berikut: Cambridge University Press, West Nyack, NY,
t 42 USA.
t 2
𝜀 𝑡 −𝜀 𝑡−1 2 Lestari, T. K. 2006. Introduction to Linear Panel
Data Modelling. Makalah Seminar, Jakarta.
𝑑= = 2,328602 (24) Montgomery, D.C and Peck, E. A. 1982.
t 42
t 2
𝑒𝑡2
Introduction to Linier Regression Analysis.
John Wiley & Sons, Inc. New York Chichester
Brisbane Toronto Singapore
Nilai kritis d pada α = 0,05 dengan n = 42 dan k = Pindick, R. S, Rubinfield D. L.1998. Econometric
3 untuk dL = 1,3573 dan dU = 1,6617. Models And Economic Forecasts. Edisi ke-4.
Daerah kritis USA: The McGraw-Hill Companies, Inc.
H0 gagal ditolak jika nilai statistik Greene, H. 2000. Econometric Analysis 4th Edition.
dU ≤ d ≤ 4- dU USA: Prentice Hall.
Keputusan Gujarati, D. 2004. Basic Econometrics. 4thedition.
H0 gagal ditolak, karena nilai 1,6617 ≤ McGraw-Hill, New York.
2,328602 ≤ 2,3383, yang berarti tidak ada Widarjono, A. 2009. Ekonometrika: Pengantar dan
autokorelasi Aplikasinya. Yogyakarta: Ekonisia Fakultas
Kesimpulan Ekonomi UII.
Tidak ada autokorelasi
(2.9)