berarti bahwa variabel – variabel bebas pendapatan X
1
, kebutuhan modal usahatani X
2
, jumlah tanggungan rumah tangga X
3
, nilai jaminan X
4
, luas lahan X
5
, dan harga komoditas usahatani X
6
secara bersama – sama
berpengaruh terhadap permintaan kredit pertanian Y. Nilai koefisien determinasi R
2
yang diperoleh sebesar 0, 427 yang berarti bahwa 42,70 dari variabel permintaan kredit pertanian Y dijelaskan oleh variabel-variabel bebas
yaitu pendapatan X
1
, kebutuhan modal usahatani X
2
, jumlah tanggungan rumah tangga X
3
, jaminan X
4
, luas lahan X
5
, dan harga komoditas usahatani X
6
, sedangkan 57,30 sisanya dijelaskan oleh variabel lain yang tidak dimasukkan dalam model regresi.
Tabel 26. Hasil analisis regresi pendugaan model permintaan kredit pertanian
Variabel Koef. Regresi
t-hitung t
0,02551
Konstanta Pendapatan X
1
Kebutuhan modal usahatani X
2
Jumlah tanggungan rumah tangga X
3
Jaminan X
4
Luas lahan X
5
Harga Komoditas Usahatani X
6
-1564094 0,133
0,564 1361019
0,049 444731,1
-546,288 -0,544
2,348 1,960
2,068 2,497
0,388 -0,924
1,960 1,960
1,960 1,960
1,960 1,960
1,960
F-hitung R
2
adjutsted R
2
Durbin Watson 6,331
0,359 0,427
1,761
1. Uji Asumsi Klasik
Untuk mendapatkan penaksir-penaksir yang bersifat BLUE Best Liniar Unbiased
Estimator dari penaksir linear kuadrat terkecil OLS maka harus memenuhi asumsi-asumsi klasik yaitu tidak adanya multikolinearitas, heteroskedastisitas,
dan autokorelasi. Multikolinearitas adalah adanya hubungan linear yang
sempurna atau pasti di antara beberapa atau semua variable yang menjelaskan dari model regresi. Menurut Neter et al.1993 dalam Naftali 2007, multikolinearitas
dapat dideteksi dengan melihat nilai Variance Inflation Factor VIF, yaitu jika nilai VIF kurang dari 10 maka tidak terdapat multikolinieritas. Berdasarkan nilai
VIF, diketahui bahwa di dalam model regresi tidak terdapat mulitikolinieritas karena nilai VIF seluruh variabel bebas dalam model kurang dari 10 Tabel 27.
Tabel 27. Hasil pengujian mulitikolinieritas
Variabel Tolerance
VIF Pendapatan Rumah Tangga X
1
Kebutuhan modal usahatani X
2
Jumlah tanggungan rumah tangga X
3
Jaminan X
4
Luas lahan X
5
Harga Komoditas Usahatani X
6
0,864 0,545
0,927 0,800
0,581 0,645
1,157 1,836
1,079 1,250
1,720 1,552
Heteroskedastisitas adalah keadaan dimana faktor gangguan tidak memiliki varian yang sama. Adanya heteroskedastisitas dalam model analisis mengakibatkan
varian dan koefisien-koefisien OLS tidak lagi minimum dan penaksir-penaksir OLS menjadi tidak efisien meskipun penaksir OLS tetap tidak bias dan konsisten.
Dari hasil analisis menggunakan uji Glejser, diketahui model regresi mengalami masalah heteroskedastis. Uji Glejser dilakukan dengan meregresikan variabel-
variabel bebas terhadap nilai absolut residualnya. Setelah model diketahui positif mengalami masalah heteroskedastis, dilakukan transformasi log sehingga masalah
heteroskedastis dalam model berkurang. Autokorelasi dapat didefinisikan sebagai korelasi antara anggota serangkaian
observasi yang diurutkan menurut waktu seperti dalam data deretan waktu atau ruang seperti dalam data cross-sectional. Secara sederhana dapat dikatakan
model klasik mengasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur gangguan yang berhubungan dengan
pengamatan lain yang manapun Gujarati, 2003. Untuk menguji apakah model bebas dari masalah autokolerasi digunakan uji
durbin watson DW. Hasil uji DW yang diperoleh adalah 1,761. Adapun nilai DW tabel pada α = 0,05 dengan n = 58 dan k = 6:
dL = 1,234 , 4
– dL = 2,766 dU = 1,596
, 4 – dU = 2,404
diketahui bahwa DW lebih besar dari dU dan kurang dari 4 – dU atau 1,596
1,761 2,404 artinya model yang terdeteksi berada pada wilayah tidak ada korelasi positif maupun korelasi negatif yang artinya tidak terdapat gejala
autokolerasi pada model.
2. Hasil Uji t Uji Parsial dan Interpretasi Hasil Regresi
