Analisis DeskriptifMetode analisis deskriptif adalahsuatucara analisis langsungmelaluipenyajian tabel, grafik, dan diagramdengan memanfaatkan data-data yangtersedia seperti persentase, rata-rata, dan ukuran statistik lainnya. Analisisdeskriptif yang digunakandalampenelitianini untukmemberikangambaranumum tentang perkembangan karet alam Indonesia yang dilihatdari aspek luasarel perkebunan, produksi, volume ekspor karet alam, konsumsi karet alamIndonesia periode 1970-2003 dan juga gambaran perkembangan karet alam duniadari aspek ekspor karet alam dunia, konsumsi karet alam dunia, harga karet alamjenis SIR-20 di AS selama periode 1970-2003.Analisis Regresi Linier BergandaAnalisis regresi merupakanstudi dalammenjelaskandanmengevaluasihubungan antara suatu peubah bebas ( independent variable) dengan satu peubahtak bebas (dependent variable) dengan tujuan untuk mengestimasi dan ataumeramalkannilai peubahtakbebas didasarkanpadanilai peubahbebas yangdiketahui (Widarjono, 2005).Metode regresi linearberganda dapatdigunakanuntuk melihat pengaruhbeberapapeubahpenjelas ataupeubahbebas terhadapsatupeubahtakbebas.Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi linearberganda. Analisis regresi linier berganda digunakanuntukmelihat pengaruhpeubah stok karet alam AS, PDB AS, harga karet alam di pasar internasional, dan21Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comjumlah kendaraan bermotor di AS terhadap volume ekspor karet alam Indonesia.Selain itu, analisis regresi linear berganda juga digunakan untuk melihat pengaruhpeubahproduksi karet alamIndonesia, impor karet sintetis Indonesia, jumlahkendaraan bermotor di Indonesia, serta kebijakan pemerintah dalam Kepres no.1tahun 1986 terhadap konsumsi karet alam Indonesia.Untuk menyatakankuattidaknyahubungan linierantara peubahpenjelasdanpeubahbebasdapat diukurdari koefisisenkorelasi ( coefficient correlation)atauR, danuntukmelihat besarnyasumbangan(pengaruh) dari peubahbebasterhadapperubahanpeubahtakbebas dapat dilihat dari koefisien determinasi(coefficient of determination) atau R2.Variabel boneka (dummy) adalah variabel yang menjelaskan ada atau tidakadanya kualitas dengan membentuk variabel buatan yang mengambil nilai 1 atau 0(Budiani, 2005).Lebih lanjut, model regresi linear berganda yang digunakan dalampenelitian ini untukmelihat pengaruh peubah-peubah bebas terhadap volumeekspor karet alam yaitu :i i i i i iLnX LnX LnX LnX LnY + + + + + =4 4 3 3 2 2 1 1 0(1)Keterangan:i = 1,2,3,,nYi= volume ekspor karet alam Indonesia ke AS (ribu ton)X1i=produk domestik bruto AS (millions of US$)X2i=stok karet alam AS (ribu ton)X3i =jumlah kendaraan bermotor AS (ribu unit)22Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comX4i= harga karet alam di pasar internasional yang diwakili oleh jenisSIR-20 (US$ per ribu ton)i=sisaan dengan asumsi independen N (0, 2)Pengaruh peubah bebas terhadap konsumsi karet alam di Indonesiadapatdiketahui dari persamaan regresi berikut :i i i i i iD LnX LnX LnX LnY + + + + + =1 3 3 2 2 1 1 0(2)Keterangan:Yi= konsumsi karet alam dalam negeri (ribu ton)X1i = jumlah kendaraan bermotor di Indonesia (ribu unit)X2i= impor karet sintetis Indonesia (kilogram)X3i= produksi karet alam Indonesia (ribu ton)D1i=1untuksetelahdikeluarkankebijakanpemerintahdalamKepresno.1tahun1986= 0 untuk sebelumdikeluarkan kebijakanpemerintahdalamKepresno.1tahun1986Parameter yang digunakandalammodel diatas dapat ditaksir denganmetodeordinary least squares(OLS), dengan syarat asumsi-asumsi model regresi linearberganda ini terpenuhi (Gujarati, 1999).Penyusunan Persamaan RegresiPemilihanpersaman regresi dalam penelitian ini menggunakan prosedureliminasi langkah mundur. Draper dan Smith (1992) mengatakan bahwa prosedureliminasi langkah mundur (the backward elimination procedure) merupakan suatumetode yang mencoba untuk memeriksa hanya regresi terbaik, yang mengandungsejumlah tertentu peubah penjelas.23Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comAdapun langkah-langkah pokok dalam prosedur ini adalah sebagai berikut:1. Menghitung persamaan regresi yang mengandung semua peubah bebas.2. Menghitung nilai-Fparsial untuk setiap peubah bebas, seolah-olah iamerupakan peubah terakhir yang dimasukkan ke dalam persamaan regresi.3. Membandingkan nilai- Fparsial terendah, misalnya FL, dengan nilai-Fbertaraf nyata tertentu dari tabel, misalnyaF0.a. Jika FL < F0, buang peubahZL, yang menghasilkanFL, dari persamaanregresi dan kemudian hitung kembali persamaan regresi tanpamenyertakan peubah tersebut; kembali ke langkah (2).b. Jika FL> F0, ambillah persamaan regresi itu.Asumsi-Asumsi Regresi Linear BergandaPenggunaan metode kuadrat terkecil biasa (OLS) dapat dilakukan apabilaasumsi regresi linear klasik terpenuhi. Beberapa asumsi yang yang harus dipenuhioleh persamaan regresi linear berganda ini adalah sebagai berikut:1. Normalitas, regresi linearklasikmengasumsikan bahwa tiap i mengikutidistribusi normal, i ~ N(0,2).2. Non autokorelasi antar sisaan, berarti cov ( i, j) = 0, dimana i =j.3. Homoskedastisitas, var(i) = 2untuksetiapi, i=1,2,,nyang artinyavarians dari semua sisaan adalah konstan atau homoskedastik.4. Tidak terjadi multikolinearitas.Tidak terdapat hubungan linear yang sempurna atau pasti di antarabeberapa atau semua variabel yang menjelaskan model regresi.24Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comUntuk mengetahui apakah model persamaan yang digunakan sudahmemenuhi asumsi-asumsi regresi tersebut maka perlu dilakukan pemeriksaanpada masing-masing asumsi.Pemeriksaan asumsi regresi linear klasik dapat dijelaskan sebagai berikut:a. Pemeriksaan asumsi kenormalan sisaanPemeriksaankenormalansisaanbertujuanuntukmelihat distribusisisaan(i). Pemeriksaan kenormalan sisaan dilakukan dengan menggunakan plotpersentil-persentil (P-P Plot) (Draper dan Smith, 1992). Jika plot sisaan menyebardi sekitar garis diagonal maka model regresi memenuhi asumsi kenormalan.Selain itu, asumsi normalitas juga dapat diperiksa dengan uji Kolmogorov-Smirnov. Pengujian dilakukan dengan menggunakan sisaan sebagai variabel yangakan dilihat, berdistribusi normal atau tidak. Hipotesis dari pengujian ini adalah:H0: sisaan berdistribusi normal.H1: sisaan tidak berdistribusi normal.Asumsi normalitasterpenuhi jikauji Kolmogorov-Smirnovberadapadatingkat signifikansi > yang ditetapkan (Singgih, 2003).b. Pemeriksaan asumsi non autokorelasiAutokorelasi dapat diartikan sebagai korelasi sisaan yang satu (i) dengansisaan lainnya (j). Biasanya autokorelasi sering terjadi pada data-datatime series.Penyebabutamaterjadinyaautokorelasi adalahadavariabel pentingyangtidakdigunakan dalammodel. Pendeteksian autokorelasi dapat dilakukan denganmenggunakanstatistikDurbinWatson. Prosedur pengujiannya adalahsebagaiberikut (Gujarati, 1999): Lakukan regresi OLS dan dapatkan residual ei.25Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.com Hitung angka D-W (didapat dari hasil pengolahan SPSS). Untukukuransampel tertentudanbanyaknya peubahyang menjelaskantertentu, dapatkan nilai kritis dL dan dU. Pengujian Hipotesis :Ho : Tidak ada autokorelasi antar sisaanHa: Ada autokorelasi antar sisaanStatistik Uji :( )t t tn tttn ttt tY Y e denganee ed12221 ======(3)Pengambilan keputusan ada tidaknya autokorelasi:1) Jika hipotesis nol (Ho) adalah bahwa tidak ada korelasi serial positif, makaapabila:d < dL = menolak Hod > dU= tidak menolak HodL< d dU = pengujian tidak meyakinkan2) Jika hipotesis nol (Ho) adalahbahwatidakadakorelasi serial negatif,maka jika:d > 4- dL= menolak Hod < 4- dU = tidak menolak Ho4- dU d 4- dL = pengujian tidak meyakinkanSebagaicatatan, jikaada masalahautokorelasi makamodelregresiyangseharusnya signifikan (dari uji-F) menjadi tidak layak untuk dipakai.26Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comCara mengatasi adanya autokorelasi adalah dengan melakukantransformasi data dengan cara sebagai berikut (Gujarati, 1999): Untuk data pertama :iV ln 12||.|

\| . (4) Untuk data kedua dan seterusnya : (1ln ln.t iV V ) (5)dengan21d =.d = nilai statistik d Durbin Watson, dan Viadalah Xi dan Yic. Pendeteksian asumsi homoskedastisitasArtinyapada nilai variabel bebas berapapun variannyakonstan yakni2 .Jikavariannya berbeda-bedaataubervariasi, berarti terjadi heteroskedastisitas.Pendeteksianheterosekedastisitasdapat denganmembuat plot dataantaranilai-nilai prediksi (iY ) padasumbuXdengannilai kuadrat residualnya (2te ) padasumbu Y (Gujarati, 1995). Jika tidak terdapat pola yang jelas serta titik menyebardi atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitasatau model regresi baik untuk digunakan (Gujarati, 1999).d. Pendeteksian asumsi non multikolinearitasMultikolinearitasadalahterjadinyahubunganlinier yangsempurnaataupasti antara peubah-peubah bebas. Multikolinearitas dapat dideteksi dengan(Supranto, 1995): Nilai R2tinggi tetapi tidak satupun atau sangat sedikit yang didugasignifikan secara statistik. F hitung tinggi (signifikan) akan tetapi tidak satupun koefisien yangsignifikan secara parsial.27Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comAsumsi ini juga dapat dideteksi dengan melihat besarnya VarianceInflationFactor (VIF). Nilai VIFsebesar 1/ toleranceatauVIF=1/ (1-R2xi)denganR2xiadalahkoefisiendeterminasi jikapeubahxidiprediksi daripeubah-peubah independenyanglainnya. Multikolinearitasyangtidak seriusterjadi jikaVIF berada antara satu sampai sepuluh (Myers, 1994).Gujarati (1999) menyatakan bahwa apabila asumsi-asumsi regresi klasiktersebut terpenuhi menjadikan teknik analisis dengan menggunakan metodekuadrat terkecil biasa (OLS) menghasilkan penaksir tak bias linier terbaik(BLUE/ Best Linear Unbiased Estimator).Koefisien DeterminasiKoefisien determinasi merupakanbesaranyanglazimdigunakanuntukmengukurkelayakanmodel(lackof fittest). Koefisiendeterminasi ini dikenaldenganbesaranR2. Koefisiendeterminasi digunakanuntukmengetahuiproporsivariansvariabel tidak bebas yangdijelaskan oleh variabel bebas secara bersama-sama atausecaraverbal R2mengukur proporsi (bagian) ataupersentase totalvariasi dalam Y yang dijelaskan oleh model regresi (Gujarati, 1999).R2diperoleh dengan rumus :( )SSTSSRY YY YRniinii=|.|

\|===.12122(6)R2terletak antara 0 dan 1. Jika R2= 1, berarti suatu kecocokan sempurna.JikaR2=0, berarti tidakadahubunganantaravariabel takbebasdanvariabelbebas. Semakin besar nilai R2maka model semakin baik untuk digunakan.28Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comJika regresi terdiri atas variabel bebas yang lebih dari dua, sebaiknyadigunakanR2yang disesuaikan yang diperoleh dari :( )( )( ) 11R 1 12 2 =k nnRa(7)dengank=banyaknya parameter penduga dalam modeln =banyaknya percobaanPengujian ParameterPengujianpendugaparametermemiliki tujuanuntukmengetahui tingkatkeberartian penduga parameter yangdigunakan melaluipengujianhipotesis. Jikahipotesis ditolak maka dapat disimpulkan bahwa penduga parameter tersebutsignifikan atau berarti.a. Uji-FUji F dilakukan untuk mengetahui keberartian model secara berama-sama.Pengujian Hipotesis :H0 :, 0 ...2 1= = = =k dengan k adalah peubah bebasHa: minimal ada0 =i, dengan i = 0,1,2,,kStatistik uji yang digunakan dapat dirumuskan sebagai berikut:( )( ) 1 =k n SSEk SSRFhit(8)dimana: k adalah banyaknya parameter yang didugan adalah banyaknya observasiKeputusan :( )( ) 1 sk n k hitF F, maka H0diterima()( ) 1 >k n k hitF F, maka H0 ditolak29Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comKeputusanyangdiharapkanadalahtolakH0yangberartipeubah-peubahbebas yang dimasukkan ke dalam model secara bersama-samamempengaruhi peubah tidak bebas pada tingkat kepercayaan (1- )persen. Pengambilan keputusan dalam output SPSS juga dapat dilihat daritingkat signifikansinya < o yang ditetapkan maka keputusannya adalah H0ditolak.b. Uji tUji t dilakukan untuk mengetahui keberartian dari masing-masingpenduga parameter secara parsial, apakah koefisien parsial yang diperolehtersebut mempunyai pengaruhatautidakdenganasumsi bahwavariabeltidak bebas lainnya konstan.Hipotesisnya adalah :H0 :0 =i(Tidak ada pengaruh dari peubah Xi terhadap Y)Ha :0 =i(Ada pengaruh dari peubah Xi terhadap Y)Statistik uji yang digunakan diformulasikan sebagai berikut:()iihitb Sbt = (9)Dimana : bi adalah koefisien regresi ke-iS(bi) adalah standar error dari koefisien regresi ke-iKeputusan yang diambil adalah:( ) 1 2 / sk n hitt t, maka H0 diterima( ) 1 2 / )k n hitt t, maka H0 ditolak30Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.comKeputusanyangdiharapkanadalahtolakH0yangberarti adapengaruhnyatapeubah-peubahbebassecaraindividuterhadappeubahtidakbebaspada tingkat kepercayaan (1- ) persen.31Copyright@2006Angkatan 2006 Sekolah Tinggi Ilmu Statistikwebsite: www.youngstatistician.com milist: stis44@yahoogroups.com