A.

LANGKAH PENETAPAN METODE REGRESI TERBAIK UNTUK DATA

INVEST2PERFORMANCE BPR

Keuntungan Regresi Data Panel

Keuntungan melakukan regresi data panel, antara lain:
1. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan
degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan
mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi
ekonometri yang efisien.
2. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan
hanya oleh data cross section atau time series saja.
3. Ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi
perubahan dinamis dibandingkan data cross section.

Tahapan Regresi Data Panel

Tidak seperti regresi biasanya, regresi data panel harus melalui tahapan penentuan model
estimasi yang tepat. Berikut diagram tahapan dari regresi data panel:

Gambar 1. Tahapan Data Panel

PENENTUAN MODEL ESTIMASI:
Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan
melalui tiga pendekatan.

Hasil analisis data indikator invest performance Bank Perkreditan Rakyat (BPR) dengan
metode estimasi regresi data panel melalui 3 pendekatan, yaitu :
1. Common effect model atau pooled least square (PLS) sebagaimana Gambar 2 dibawah
ini. PLS merupakan pendekatan model data panel yang paling sederhana karena hanya
mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan
dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan
(dalam kasus ini BPR diinisialisasikan dengan sandi) sama dalam berbagai kurun waktu.
Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik
kuadrat terkecil untuk mengestimasi model data panel.

Gambar 2. Hasil output LPS

2. Fixed Effect Model (FE) sebagaimana hasil pada Gambar 3. Model ini mengasumsikan
bahwa perbedaan antar individu (dalam kasus BPR) dapat diakomodasi dari perbedaan
intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik
variable dummy untuk menangkap perbedaan intersep antar perusahaan (BPR),
 perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan
insentif. Namun demikian slopnya sama antar perusahaan (BPR). Model estimasi ini
sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

Gambar 3. Hasil output FE

Penentuan Metode Estimasi Regresi Data Panel

Untuk memilih model yang paling tepat terdapat beberapa pengujian yang dapat dilakukan,
antara lain:
Uji Chow
Chow test adalah pengujian untuk menentukan model apakah Common Effect (CE) ataukah
Fixed Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel. Hasil uji chow
sebagaimana Gambar 4.
 Gambar 4. Hasil Uji Chow

Cara interprestasi Chow Test berdasarkan nilai tersebut. Yaitu jika nilai Prob. Cross-section Chi-
square < 0,05 maka kita akan memilih fixed effect dari pada common effect. Dan sebaliknya jika
nilainya > 0,05 maka kita akan memilih common effect daripada fixed effect. Berdasarkan
gambar 4, maka nilai prob sebesar 0,000 < 0,05 maka chow test memilih fixed effect.

Uji Hausman
Jika chow test memilih fixed effect, maka langkah selanjutnya adalah melakukan random effect
kemudian melakukan hausman test untuk memilih fixed effect ataukah random effects. Syarat
uji hausman adalah melakukan analisis fixed effect terlebih dahulu kemudian dilanjutkan
random effect. Karena fixed effect sudah dilakukan, maka berikut adalah pendekatan metode
regresi data panel dengan:

3. Random Effect (RE) sebagaimana hasil pada Gambar 5.

Gambar 5. Hasil Output RE

Tahap selanjutnya adalah saatnya kita akan melakukan hausman test untuk memilih antara FE
atau RE. Nilai p value dari uji hausman test pada Gambar 6 sebesar 0,0000. Nilai P Value 0,000
kurang dari 0,05 maka terima H1 yang berarti metode terbaik yang harus digunakan adalah
fixed effect dari pada random effect.
 Gambar 6. Hasil Uji Hausman

Gambar 7. Pilihan Estimasi Regresi Data Panel

Kesimpulan : Metode Terbaik untuk Kasus Data Invest2Performance BPR adalah Regresi Data
Panel dengan pendekatan Fix Effect.
 B. PEMBAHASAN HASIL REGRESI DATA PANEL DENGAN PENDEKATAN FIX EFFECT UNTUK
DATA INVEST2PERFORMANCE BPR

Fixed Effect Model (FE) sebagaimana hasil pada Gambar 8. Model ini mengasumsikan
bahwa perbedaan antar individu (dalam kasus BPR) dapat diakomodasi dari perbedaan
intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik
variable dummy untuk menangkap perbedaan intersep antar perusahaan (BPR),
perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan
insentif. Namun demikian slopnya sama antar perusahaan (BPR). Model estimasi ini
sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

Gambar 8. Hasil output FE

Ringkasan Hasil Regresi Data Panel pada output FE di atas:

1. Periods Include: Merupakan jumlah periode atau runtut waktu yang dilibatkan dalam
analisis. Dimana dalam kasus regresi data panel ini, periode yang digunakan adalah
tahun 2015 sampai dengan 2020. Sehingga jumlah tahun yang digunakan dalam
analisis adalah sebanyak 6 tahun.
 2. Cross section Include: Merupakan jumlah cross section atau panel yang dilibatkan
dalam analisis. Dimana dalam kasus regresi data panel ini, panel yang digunakan
adalah BPR yang jumlahnya adalah sebanyak 1474 BPR.
3. Kolom Variable: adalah daftar variabel yang dianalisis. Dimana dalam kasus regresi
data panel ini menggunakan Kredit sebagai variabel response. Sedangkan variabel
prediktor adalah ATI, Tabungan, Deposito, Kredit, Total Aset, Modal Inti, Modal
Disetor, Laba (Rugi) Tahun Berjalan, dan Laba (Rugi) Tahun-Tahun Lalu. Dan C sebagai
residual atau error dari persamaan regresi data panel.

Koefisien Regresi Data Panel FE

1. Coefficient: adalah koefisien beta regresi data panel sesuai dengan variabel yang ada
pada kolom variabel. Nilai koefisien ini digunakan untuk membentuk Persamaan
Regresi Data Panel.
2. Standar error: adalah Standar Error dari nilai koefisien pada kolom coefficient.
3. t-statistics: adalah nilai t parsial regresi data panel sesuai per variabel pada kolom
variable. Nilai t ini menunjukkan pengaruh parsial variabel prediktor terhadap
variabel response di dalam model regresi data panel.
4. Prob: adalah nilai p value atau tingkat signifikansi dari t parsial di kolom t-statistics.
Nilai p value ini menunjukkan tingkat signifikansi t parsial dalam rangka menjawab
hipotesis uji parsial. Jika nilai p value kurang dari batas kritis, misalnya 0,05 maka
jawaban hipotesis adalah menerima H1 atau yang berarti variabel prediktor yang
bersangkutan memiliki pengaruh yang bermakna terhadap variabel response secara
statistik. Dan sebaliknya jika p value lebih dari batas kritis maka menerima H0 atau
yang berarti variabel prediktor yang bersangkutan tidak memiliki pengaruh yang
bermakna terhadap variabel response secara statistik.

Jawaban Hipotesis Regresi Data Panel FE

1. R Square: adalah besarnya pengaruh atau kemampuan variabel prediktor secara
simultan dalam menjelaskan variabel response. Jika nilainya lebih dari 0,5 maka
kemampuan variabel prediktor kuat dalam menjelaskan variabel response.
Sedangkan sebaliknya jika nilainya kurang dari 0,5 maka kemampuan variabel
prediktor tidak kuat dalam menjelaskan variabel response. Dalam contoh regresi
data panel ini, nilai R Square sebesar 0,988938, yang artinya variabel prediktor
sangat kuat dalam menjelaskan variabel response.
2. Adjusted R Square: adalah besarnya pengaruh atau kemampuan variabel prediktor
secara simultan dalam menjelaskan variabel response dengan memperhatikan
standar error. penjelasannya sama dengan R Square namun nilai ini telah terkoreksi
dengan standar error.
3. F-Statistics: adalah nilai Uji F yang merupakan uji simultan dari regresi data panel.
Nilai F ini menunjukkan tingkat signifikansi pengaruh variabel prediktor terhadap
variabel response. Untuk menggunakan nilai F ini haruslah dibandingkan dengan F
Tabel. Namun untuk memudahkan bisa langsung melihat nilai Prob (F-Statistics).
4. Prob (F-Statistics): adalah p value uji F yang merupakan tingkat signifikansi dari nilai
F, yaitu untuk menilai pengaruh simultan variabel prediktor terhadap variabel
 response apakah bermakna secara statistik atau tidak. Jika nilai p value kurang dari
batas kritis misalnya 0,05 maka menerima H1 atau yang berarti pengaruh simultan
variabel prediktor terhadap variabel response terbukti bermakna secara statistik.
Begitu sebaliknya jika nilai p value lebih dari batas kritis maka menerima H0 atau
yang berarti pengaruh simultan variabel prediktor terhadap variabel response tidak
terbukti bermakna secara statistik.

Kesimpulan:
1. Dalam contoh regresi data panel ini, nilai R Square sebesar 0,988938, yang artinya
variabel prediktor sangat kuat dalam menjelaskan variabel response.
2. Prob (F-Statistics) adalah 0,000000 yaitu kurang dari batas kritis 0,05, maka menerima
H1 atau yang berarti pengaruh simultan variabel prediktor terhadap variabel response
terbukti bermakna secara statistik.
Artinya: Kredit sebagai variabel response berpengaruh kuat dan simultan terhadap
variabel prediktor yaitu ATI, Tabungan, Deposito, Kredit, Total Aset, Modal Inti, Modal
Disetor, Laba (Rugi) Tahun Berjalan, dan Laba (Rugi) Tahun-Tahun Lalu

Namun dikarenakan Prob dari variabel prediktor Tabungan dan Modal Disetor, nilainya
masing-masing adalah 0,7357 dan 0,1614, yaitu lebih dari batas kritis 0,05, maka H0 yang
diterima atau berarti variabel prediktor Tabungan dan Modal Disetor tidak memiliki
pengaruh yang bermakna terhadap variabel response Kredit secara statistik.
FE