Analisis Fungsi Produksi Metode Analisis Data
Dimana: b
i
= koefisien regresi ke-i Sb
i
= standar deviasi koefisien regresi ke-i Kriteria pengujian :
Jika t-hitung t- tabel α2, n-k, atau P-value α, maka tolak H
, artinya X
i
berpengaruh nyata terhadap P pada selang kepercayaan 1- α. Dan jika t-hitung
t- tabel α2, n-k, maka terima H
, artinya X
i
tidak berpengaruh nyata terhadap P pada selang kepercayaan 1-
α. 3
Pengujian Koefisien Determinasi Nilai R-squared mencerminkan seberapa besar keragaman dari variabel
dependen yang dapat diterangkan oleh variabel independen. Nilai R-squared memiliki dua sifat yang memiliki besaran yang positif dan besarannya adalah 0
R-squared 1. Jika R-squared bernilai nol maka artinya keragaman dari variabel dependen tidak dapat diterangkan oleh variabel independennya. Sebaliknya, jika
nilai R-squared bernilai satu maka keragaman dari variabel dependen secara keseluruhan dapat diterangkan oleh variabel independennya secara sempurna
Gujarati, 2006. Kelemahan mendasar penggunaan koefisien determinasi adalah bias
terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen maka R
2
pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen
Kuncoro, 2011. Oleh karena itu, banyak peneliti menganjurkan untuk menggunakan nilai Adjusted R2 pada saat mengevaluasi mana model yang
terbaik. Adjusted R
2
dihitung dari : Koefisien determinasi R-Squared adjusted dari model yang digunakan
adalah ratio dari jumlah kuadrat regresi dan total jumlah kuadrat seperti yang terlihat berikut ini
Dimana : R
2
= koefisien determinasi
R
2
Adj = koefisien determinasi yang disesuaikan k
= jumlah variabel penjelas termasuk intercept n
= jumlah sample Kriteria pengujian :
Jika R
2
adj tinggi mendekati 100, artinya model yang digunakan baik dan mampu menjelaskan keragaman dari P, dan demikian juga sebaliknya.
4 Pengujian Asumsi Ordinary Least Square OLS
Metode pendugaan model yang digunakan adalah metode kuadrat terkecil ordinary least square, OLS, sehingga agar model yang digunakan sesuai dengan
asumsi OLS maka dilakukan pengujian-pengujian: a.
Normalitas Untuk menguji normalitas suatu model, maka dapat menggunakan uji
Jarque-Bera. Jarque-Bera adalah uji statistik untuk mengetahui apakah data terdistribusi secara normal atau tidak Winarno, 2011. Uji ini mengukur
perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila datanya bersifat normal.
Rumus yang digunakan adalah :
Dimana : n
= jumlah observasi; k
= nol untuk suatu data biasa dan jumlah koefisien pada saat meneliti residual dari suatu persamaan;
S = Skewness;
K = Kurtosis.
Peluang probablity menunjukan kemungkinan nilai Jarque-Bera melebihi dalam nilai absolute nilai terobservasi di bawah H
. Nilai peluang yang kecil cenderung mengarahkan pada penolakan H
distribusi normal. Apabila nilai probability
jarque bera lebih besar dr α maka kesimpulannya terdistibusi normal b.
Heteroskedastisitas Suatu model memenuhi asumsi heteroskedastisitas jika memiliki varians
error yang sama, yaitu nilai-nilai Y bervariasi dalam satuan yang sama baik untuk
nilai X yang tinggi maupun nilai X yang rendah, hal ini dapat dilihat dari plot antara sisaan dengan nilai dugaan telah menunjukan bahwa titik-titik telah
menyebar secara acak dan tidak membentuk pola Iriawan dan Astuti, 2006. Penentuan ada atau tidaknya masalah heteroskedastisitas dapat dilihat dari nilai
probabilitas chi- squared uji White. Jika nilai probabilitas lebih besar dari nilai α
yang digunakan maka terima H
0.
Artinya model regresi tersebut homoskedastis. Sebaliknya, jika nilai probabilitas lebih kecil dari nilai α yang digunakan maka
tolak H yang berarti model regresi bersifat heteroskedastis.
c. Multikolinearitas
Multikolinearitas adalah suatu situasi dimana nilai-nilai pengamatan mempunyai hubungan yang kuat sehingga variabel X tertentu tidak begitu
mempengaruhi variabel Y, tetapi justru variabel X tertentu dipengaruhi variabel X Soekartawi, 2003. Untuk mengidentifikasi adanya multikolinearitas dalam
model digunakan nilai VIF Variance Inflation Factor, pengujiannya adalah jika nilai VIF lebih besar dari 10 untuk masing-masing variabel maka terdapat
multikolinearitas Iriawan dan Astuti, 2006. d.
Autokorelasi Autokorelasi merupakan kondisi linier antara anggota serangkaian
observasi yang diurutkan menurut waktu dan ruang Gujarati, 1993. Masalah autokorelasi ini umumnya terjadi pada data time series, sehingga pada penelitian
tidak dilakukan, karena data yang digunakan adalah cross section.