24 dengan metode kuadrat terkecil, menentukan ketepatan pendugaan konstanta dan
menentukan ketepatan pendugaan koefisien regresi parsial. Tingkat ketepatan itu diukur dengan kesalahan baku standar error.
Menurut Nachrowi 2008, setelah menaksir parameter dan standar error nya, perlu untuk diperiksa apakah model regresi yang terestimasi cukup baik atau
tidak. Untuk itu, ukuran yang biasa digunakan untuk keperluan ini adalah Goodness of Fit R
2
. Ukuran goodness of fit ini mencerminkan seberapa besar variasi dari regressand Y dapat diterangkan oleh regressor X.
2.3.1 Pengujian Hipotesis
Menurut Firdaus 2004, pengujian hipotesis dalam regresi berganda dilakukan dengan uji signifikansi. Analisis untuk menguji signifikansi nilai
koefisien regresi yang diperoleh dengan metode OLS adalah uji simultan uji F dan uji parsial uji T.
Pengujian hipotesis koefisien regresi secara simultan dilakukan dengan melakukan analisis varian. Analisis varian dalam regresi berganda diperlukan
untuk menujukkan sumber-sumber variasi yang menjadi komponen dari variasi total model regresi. Dengan analisis varian ini akan dapat diperoleh pengertian
tentang bagaimana pengaruh sekelompok variabel bebas secara bersama-sama terhadap variabel tidak bebas. Statistik uji yang digunakan dalam hal ini adalah
statistik uji F. Sedangkan uji parsial dalam regresi berganda dilakukan dengan uji T. Uji T merupakan suatu pengujian yang bertujuan untuk mengetahui apakah
koefisien regresi signifikan atau tidak Nachrowi, 2008.
2.3.2 Penyimpangan asumsi dalam Regresi Linier Berganda
25 Menurut Firdaus 2004, suatu fungsi regresi yang diperoleh dari hasil
perhitungan pendugaan dengan metode kuadrat terkecil OLS dari koefisien regresi adalah penduga tak bias linier terbaik Best Linear Unbiased Estimator-
BLUE jika semua asumsi yang mendasari model tersebut terpenuhi. Sebaliknya jika ada paling tidak satu asumsi dalam model regresi yang tidak dapat dipenuhi
oleh fungsi regresi yang diperoleh maka kebenaran pendugaan model itu danatau pengujian hipotesis untuk pengambilan keputusan diragukan.
Penyimpangan asumsi yang biasa terjadi dalam regresi berganda adalah multikolinearitas, heteroskedastisitas, dan autokorelasi. Menurut Firdaus 2004,
multikolinearitas berarti adanya hubungan linear yang sempurna atau eksak diantara variabel-variabel bebas dalam model regresi. Apabila terjadi kolinearitas
sempurna maka koefisien regresi dari variabel X tidak dapat ditentukan indeterminate dan standar errornya tak terhingga infinite. Jika kolinearitas
kurang sempurna, walau koefisien regresi dari variabel X dapat ditentukan, tetapi standar errornya tinggi, yang berarti koefisien regresi tidak dapat diperkirakan
dengan tingkat ketelitian yang tinggi. Jadi, semakin kecil korelasi diantara variabel bebasnya, maka semakin baik model regresi yang akan diperoleh.
Penyimpangan asumsi lainnya adalah heteroskedastisitas. Penyimpangan ini merupakan pelanggaran asumsi variasi faktor pengganggu pada kelompok data
tersebut bersifat homoskedastik. Keadaan heteroskedastisitas dapat mengakibatkan penduga OLS yang diperoleh tetap memenuhi persyaratan tidak
bias, dan varian yang diperoleh menjadi tidak efisien, artinya cenderung membesar sehingga tidak lagi merupakan varian yang terkecil Firdaus, 2004.
26 Penyimpangan asumsi yang terakhir adalah autokorelasi. Menurut
Nachrowi 2008 autokorelasi adalah adanya korelasi antara variabel itu sendiri, pada pengamatan yang berbeda waktu atau individu. Umumnya kasus
autokorelasi banyak terjadi pada data time series. Menurut Firdaus 2004 autokorelasi dapat terjadi karena tidak diikutsertakannya seluruh variabel bebas
yang relevan dalam model regresi yang diduga, kesalahan menduga bentuk matematika model yang digunakan, pengolahan data yang kurang baik, dan
kesalahan spesifikasi gangguan. Sebagai akibat adanya autokorelasi pada model persamaan regresi maka dapat terjadi penduga-penduga koefisien regresi yang
diperoleh tetap merupakan penduga-penduga yang tidak bias, serta varian variabel gangguan menjadi tidak efisien jika dibandingkan dengan tidak adanya
autokorelasi.
2.4 Penelitian Sebelumnya
