47
yang tidak bias. Agar diperoleh koefisien yang tidak bias harus memenuhi asumsi klasik. R
2
Adalah koefisien determinan yaitu untuk mengetahui berapa persen variasi variabel dependen dapat dijelaskan oleh variasi
variabel independen. Misalnya R
2
= 0,915 artinya 91,5 variasi variabel Y dapat dijelaskan oleh variasi variabel X, sedangkan sisanya yaitu 8,5 tidak
dapat dijelaskan oleh model yang dibangun dalam penelitian.
3.6.3 Uji Asumsi Klasik
Dalam pengujian regresi, terdapat beberapa asumsi dasar yang dapat menghasilkan estimator linear tidak bias atau BLUE Best Linear Unbiased
Estimator yang terbaik dari model regresi berganda. Dengan terpenuhinya asumsi
tersebut, maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan, di mana asumsi-asumsi dasar itu dikenal dengan asumsi klasik
Hasan, 2002b:280.
1 Heteroskedastisitas Heteroskedastisitas muncul apabila kesalahan atau residual dari
model yang diamati tidak memiliki varians yang konstan dari satu observasi lainnya. Artinya setiap observasi mempunyai reliabilitas yang berbeda
akibat perubahan dalam kondisi yang melatar belakangi tidak terangkum dalam spesifikasi model. Gejala heteroskedastisitas lebih sering dijumpai
dalam data silang tempat dari runtut waktu, maupun juga sering muncul dalam analisis yang menggunakan data rata-rata Kuncoro, 2007:96.
48
Uji heteroskedastisitas dianjurkan oleh Halbert White. White berpendapat bahwa uji X
2
merupakan uji umum ada tidaknya misspesifikasi model karena hipotesis nol yang melandasi adalah asumsi bahwa: 1
residual adalah homoskedastisitas dan merupakan variabel independen; 2 spesifikasi linear atas model sudah benar. Dengan hipotesis nol tidak ada
heteroskedastisitas, jumlah observasi n dikalikan R
2
yang diperoleh dari regresi auxiliary secara asimtosis akan mengikuti distribusi chi-square
dengan degree of freedom sama dengan jumlah variabel independen tidak termasuk konstanta. Bila salah satu atau kedua asumsi ini tidak dipenuhi
akan mengakibatkan nilai statistics t yang signifikan. Namun bila sebaliknya nilai statistik t tidak signifikan berarti kedua asumsi di atas
dipenuhi. Artinya yang digunakan lolos dari masalah heteroskedastisitas. Kuncoro, 2007:96.
Cara lain untuk mendeteksi adanya heteroskedastisitas dengan cara grafis, uji Park, uji Glejser, dan uji Goldfeld-Quandt. Gujarati dalam
Kuncoro, 2007. Rule of Thumb: nilai probabilitas ObsR-squqred dari α
= 5 maka model terbebas dari heteroskedastisitas. 2 Multikolinearitas
Multikolinearitas adalah adanya suatu hubungan linear yang sempurna mendekati sempurna antara beberapa atau sesuai variabel
bebas. Mendeteksi ada atau tidaknya multikolinearitas adalah menjalankan regresi auxiliary, yaitu dengan menjalankan regresi di mana secara
bergantian semua variabelnya dijadikan variabel dependen.
49
Rule of Thumb : bila R
2
, lebih tinggi dibandingkan dengan dan
maka dalam model empirik tersebut tidak ditemukan adanya multikolinearitas Kuncoro, 2007:110
3 Autokorelasi Autokorelasi adalah hubungan antara residual satu observasi dengan
residal observasi lainnya. Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang
dipengaruhi oleh data pada masa-masa sebelumnya. Meskipun demilikian, tetap dimungkinkan autokorelasi dijumpai pada data yang bersifat
antarobjek cross section Winarno, 2009:26. Cara yang dapat digunkan untuk mendeteksi ada atau tidaknya
autokorelasi. Pertama Uji Durbin-Watson DW test. Kedua, uji Lagrange- Multiplier LM yaitu Statistics Breusch-Godfrey. Uji autokorelasi dengan
statistik Q yaitu Box-Pierce dan Ljung Box. Rule of Thumb: probabilitas ObsR-squqred dari
α = 5 maka model terbebas dari autokorelasi. 4 Linieritas
Uji linieritas dilakukan karena penelitian ini menggunakan data time series
. Untuk mengetahui suatu model linier atau tidak dilakukan uji Ramsey RESET atau uji kesalahan spesifikasi regresi. Kriteria
pengujiannya, jika nilai F-hitung lebih besar dari nilai F-kriti snya pada α=
5 berarti signifikan, maka menerima hipotesis bahwa model kurang tepat. Sebaliknya jika nilai F hitung lebih kecil dari nilai F kritisnya berarti tidak
signifikan, maka model dikatakan tepat Widarjono, 2009:172.
50
3.6.4 Model Fungsi Produksi Usaha Kecil dan Menengah dengan Pendekatan Produksi
