4.5 Pengujian Parameter
Pengujian terhadap parameter model dilakukan untuk memeriksa kebaikan model. Uji statistik yang dilakukan adalah dengan menggunakan
statistik uji G dan statistik uji wald. 1. Uji G
Statistik uji G adalah uji rasio kemungkinan maksimum likelihood ratio test yang digunakan untuk menguji peranan variable penjelas secara serentak
Hosmer Lemeshow, 1989 dalam Hudayanti 2007. Rumus umum untuk uji G adalah:
Dimana : L0
= nilai likelihood tanpa variable penjelas L1
= nilai likelihood model penuh The log-likelihood biasa dikenal sebagai – 2LL - two times the log-
likelihood dimana nilai tersebut dapat memperkirakan distribusi chi-square X2 dan memungkinkan penentuan level signifikasi. Menurut Hutcheson Sofroniou
1999 dalam Qomariah 2005, ukuran dari pengaruh semua variabel penjelas dalam model yang memakai variable respon dapat diperoleh dengan
membandingkan –2LL untuk model tanpa variable penjelas model nol atau biasa dikenal sebagai the initial log-likelihood function dengan –2LL untuk model
dengan semua variable penjelas. Perbedaan dalam –2LL antara kedua model tersebut menunjukkan pengaruh dari variable penjelas.
Pengujian terhadap hipotesis pada uji G responden pengusaha batik dan maupun rumah tangga adalah sebagai berikut:
H1= minimal ada satu nilai tidak sama dengan nol, dimana i = 1,2,3,…8
Statistik G akan mengikuti sebaran x
2
dengan derajat bebas p. Kriteria keputusan yang diambil adalah Gx
2 pα
maka hipotesis nol ditolak. Uji G juga dapat digunakan untuk memeriksa apakah nilai yang diduga dengan variable di
dalam model lebih baik jika dibandingkan dengan model tereduksi.
2. Uji Wald
Uji wald digunakan untuk uji nyata parsial bagi masing-masing koefisien variable. Dalam pengujian hipotesa, jika koefisien dari variable penjelas sama
dengan nol, hal ini berarti variable penjelas tidak berpengaruh pada variable respon Hosmer Lemeshow, 1989. Statistik uji wald dapat didefinisikan
sebagai berikut:
Dimana : = penduga β
j
= penduga galat baku dari Uji wald melakukan pengujian terhadap hipotesis :
H0 : β
j
=0 H1
: β
j
≠ 0, dimana j = 1, 2,…9
Uji wald mengikuti sebaran normal baku dengan kaidah keputusan menolak H jika [W] Z
α 2
.
3. Uji Keandalan
Uji ini dilakukan dalam evaluasi pelaksanaan CVM. Berhasil tidaknya pelaksanaan CVM dilihat dengan nilai koefisien determinasi R
2
dari OLS Ordinary Least Square WTP.
4. Uji Statistik t
Uji statistik t dilakukan untuk mengetahui seberapa jauh masing-masing variabel bebasnya X
i
mempengaruhi sosial ekonomi masyarakat setempat Y
i
sebagai peubah tak bebas, prosedur pengujiannya adalah sebagai berikut : Ramanathan, 1997.
H :
= 0 artinya variabel bebas X
i
tidak berpengaruh nyata terhadap variabel tidak bebasnya Y
i
H
1
: ≠ 0 artinya variabel bebas X
i
berpengaruh nyata terhadap variabel tidak bebasnya Y
i
Jika tabel, maka H
diterima, artinya variabel X
i
tidak berpengaruh nyata terhadap variabel Y
i
Jika tabel, maka H
ditolak, artinya variabel X
i
berpengaruh nyata terhadap variabel Y
i
.
5. Uji Statistik F
Pengujian ini dilakukan untuk mengetahui pengaruh variabel X
i
secara bersama-sama terhadap variabel Y
i
. prosedurnya adalah sebagai berikut :
Dimana: JKK
= Jumlah Kuadrat untuk nilai tengah kolom JKG
= jumlah kuadrat Galat n
= jumlah sampel k
= jumlah peubah Jika
F tabel, maka H diterima, artinya variabel X
i
secara serentak tidak berpengaruh nyata terhadap variabel Y
i
Jika F tabel, maka H
ditolak, artinya variabel X
i
secara serentak berpengaruh nyata terhadap variabel Y
i
.
6. Uji terhadap Multikolinear
Data model yang melibatkan banyak peubah bebas sering terjadi masalah multikolinear, yaitu terjadinya korelasi yang kuat antar peubah-peubah bebas.
Menurut Koutsoyiannis 1977 dalam Hudayanti 2007 deteksi adanya multikolinier dalam sebuah model dapat dilakukan dengan membandingkan
besarnya nilai koefisien determinasi R
2
dengan koefisien determinasi parsial
antar dua peubah bebas r
2
. Untuk hal ini dapat dibuat suatu matriks koefisien determinasi parsial antar peubah bebas.
Multikolinier dianggap sebagai masalah serius jika koefisien determinasi parsial antar dua peubah bebas melebihi atau sama dengan nilai koefisien
determinasi atau koefisien korelasi berganda antar semua peubah secara simultan, secara matematis dapat dituliskan dalam pertidaksamaan berikut :
Menganalisa derajat multicollinearity dengan cara mengevaluasi nilai Variance Inflation Factors VIF dimana merupakan suatu cara mendeteksi
multikolinier dengan melihat sejauh mana sebuah variabel penjelas dapat diterangkan oleh semua variabel penjelas lainnya di dalam persamaan regresi
Semakin tinggi VIF suatu variabel tertentu, semakin tinggi varian koefisien estimasi pada variabel tersebut, dan berarti semakin berat dampak dari
multikolinier. Dikatakan berat apabila angka VIF dari suatu variabel melebihi 10 Sarwoko, 2005.
7. Uji Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linier klasik adalah varian residual bersifat homoskedastisitas. Asumsi ini tidak selalu realistis. Apabila
terjadi suatu pelanggaran dalam asumsi klasik maka varian residual tidak lagi bersifat konstan disebut heteroskedastisitas dan apabila diestimasi dengan
OLS, varian estimator tidak lagi minimum, kendatipun estimator itu sendiri tidak bias Sarwoko, 2005.
8. Uji Odds Ratio
Odds ratio merupakan interpretasi dari peluang dan kemunculan dari peubah respon Y=1 sebesar exp β kali jika taraf atribut tersebut yang semua peubah
dummy bernilai nol muncul.
Odds ratio mengindikasikan seberapa lebih mungkin, dalam kaitannnya dengan nilai odds, munculnya kejadian sukses pada suatu kelompok
dibandingkan dengan kelompok lainnya. Secara ringkas dapat diinterpretasikan sebagai berikut :
a Jika koefisien bertanda + maka odds ratio akan lebih dari 1 b Jika variabelnya merupakan skala nominal dummy, maka dummy = 1
memiliki kecenderungan untuk Y = 1 sebesar exp β
1
kali dibandingkan dengan dummy = 0
c Jika variabelnya bukan dummy, maka semakin besar X maka exp β
i
≥ 1, sehingga semakin besar nilai X semakin besar pula kecenderungan
untuk Y=1.
4.6 Batasan Penelitian