Pendekatan Asumsi BLUE Best Linear Unbiased Estimator

Jadi R 2 = JK Regresi ……………… Sulaiman, 2004 : 86 . JK Total Dimana : R 2 = koefisien determinasi JK total = jumlah kuadrat Karateristik utama dari R 2 adalah : a. Tidak mempunyai nilai negatif b. Nilainya berkisar antara 0 nol dan 1 satu atau 0 R 2 1

3.6. Pendekatan Asumsi BLUE Best Linear Unbiased Estimator

Tujuan utama penggunaan uji asumsi klasik adalah untuk mendapatkan koefisien regresi yang terbaik linier dan tidak bias BLUE, karena apabila terjadi penyimpangan terhadap asumsi klasik tersebut, uji t dan uji F yang dilakukannya menjadi tidak valid dan secara statistik dapat mengacaukan kesimpulan yang diperoleh. Sifat dari BLUE itu sendiri adalah: a. Best : Pentingnya sifat ini bila diterapkan dalam uji signifikan data terhadap  dan  b. Linier : Sifat ini dibutuhkan untuk memudahkan dalam penafsiran. c. Unbiased : Nilai jumlah sampel sangat besar penaksir parameter diperoleh dari sampel besar kira-kira lebih mendekati nilai parameter sebenarnya. d. Estimasi : e diharapkan sekecil mungkin. Yang diasumsikan tidak terjadi pengaruh antara variabel bebas atau regresi bersifat BLUE Best Linier Unbiased Estimator, artinya koefisien regresi pada persamaan tersebut betul-betul linier dan tidak bias atau tidak terjadi penyimpangan-penyimpangan persamaan, seperti : a Multikolinearitas Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung varience inflation factor VIF. Rumusnya adalah VIF= 11-R 2 VIF Varience inflation factor menyatakan tingkat “pembengkakan” varians. Apabila VIF Varience inflation factor lebih besar dari 10, hal ini berarti terdapat multikolinier pada persamaan regresi linier. Pendeteksian multikolinier yang berikutnya adalah dengan mudah antara variabel bebas yang terjadi korelasi. b Autokorelasi Yang dimaksud dengan autokorelasi yaitu keadaan dimana kesalahan pengganggu dalam suatu periode tertentu berkorelasi dengan kesalahan pengganggu periode yang lain, pengujian autokorelasi dilakukan dengan menggunakan uji statistik Durbin Watson. t=n  e t – e t--1 2 DW= t = 2 Widarjono, 2005 : 181 . t=n  e t 2 t = 1 2 4 Menolak Ho Bukti Autokorelasi Positif Menolak Ho Bukti Autokorelasi Negatif Menerima Ho atau Ho Atau kedua-duanya Dimana : e t adalah residual perbedaan variabel tak bebas yang sebenarnya dengan variabel tak bebas yang ditaksir dari setiap periode waktu. Sedangkan e t-1 adalah residual dari waktu sebelumnya. Untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat table kriteria pengujian Durbin Watson Uji DW. Gambar 9: Statistik d Durbin-Watson d Sumber: Suliyanto, 2005, Analisis Data Dalam Aplikasi Pemasaran, Ghalia Indonesia, hal. 86 c Heterokedastisitas Pengujian heterokedastisitas dilakukan untuk melihat apakah ada kesalahan pengganggu mempunyai varian yang sama atau tidak. Hal tersebut dilambangkan sebagai : E Ui 2 =  2 Suliyanto, 2005 : 115 . Dimana :  2 = varian i = 1, 2, 3, …n Apabila didapat varian yang sama maka asumsi homokedastisitas penyebaran yang sama diterima. Daerah keragua- raguan Daerah keragua- raguan d L d U 4 – d U 4 – d L d

BAB IV HASIL PENELITIAN DAN PEMBAHASAN