Analisis Data Kuantitatif
4.4 Analisis Data Kuantitatif
a. Analisis Regresi Linier Berganda
Analisis linier berganda digunakan untuk mengetahui seberapa besar variabel independen dalam hal ini pendapatan, pendidikan, usia, jumlah anggota keluarga, jarak dan tinggi genangan mempengaruhi kemampuan untuk membayar mitigasi bencana sebagai variabel dependen. Model yang akan diestimasi ditunjukkan oleh persamaan berikut ini: WTP=
+ Keterangan : WTP
:Kemampuan untuk membayar mitigasi bencana
X 1 :Pendapatan yang di terima responden tiap bulan
X 2 :Pendidikan terakhir responden
X 3 :Usia responden
X 4 :Jumlah anggota keluarga yang dimiliki responden
X 5 :Jarak pemukiman dengan sungai bengawan solo
X 6 :Tinggi genangan banjir di daerah responden :Konstanta :Koefisien regresi :Standard error
Dengan menggunakan program Eviews 3.1 data yang telah diolah menghasilkan output sebagai berikut:
Tabel 4.6 Hasil Analisis Regresi Berganda Dengan Ordinary Least Square (OLS)
No Nama Variabel
Koefisien
t hitung
Prob.
Konstan Pendapatan Pedidikan Usia Anggota keluarga Jarak Tinggi genanangan
R-squared Adjusted R-squared
F-statistic Prob (F-
statistic)
Durbin-Watson stat
(Sumber: Data primer diolah, 2012) *: Signifikan pada level 10% **: Signifikan pada level 5%
Persamaan regresi yang diperoleh:
log WTP = -12.1329+ 2.1205log X 1 + 2.4586X 2 + 4.4009X 3 +
-0.1008X 4 + 0.9277X 5 +-3.0150X 6
(-0.3180) (2.0232) (-3.2867)
Persamaan di atas menunjukkan hubungan antara pendapatan, pendidikan, usia, jumlah anggota keluarga, jarak dan tinggi genangan terhadap kemampuan untuk membayar mitigasi bencana. Langkah selanjutnya dari hasil regresi tersebut dilakukan uji asumsi klasik dan uji statistik.
b. Uji Asumsi Klasik
1. Multikolinearitas
Multikolinearitas adalah suatu kondisi dimana terdapat hubungan yang linear atau mendekati linear diantara variabel-variabel penjelas. Salah satu cara untuk mendeteksi ada tidaknya multikolinearitas adalah dengan menggunakan metode Auxiliary Regression dengan pendekatan
Koutsoyiannis, yaitu membandingkan nilai r 2 dengan nilai R 2 . Model dikatakan terbebas dari masalah multikolinearitas jika nilai r 2 <R 2 .
Tabel 4.7 Uji Multikolinearitas dengan Metode Auxiliary Regression
Variabel
Nilai r 2 Nilai R 2 Keterangan
Pendapatan Pendidikan Usia Anggota keluarga Jarak Tinggi genangan
Bebas Multikolinearitas Bebas Multikolinearitas Bebas Multikolinearitas Bebas Multikolinearitas Bebas Multikolinearitas Bebas Multikolinearitas
(Sumber: Data primer diolah, 2012)
Dari Tabel 4.7 didapat nilai r 2 berada di bawah R 2 hasil regresi awalnya (R 2 = 0.2352) sehingga dapat diambil kesimpulan bahwa model
terbebas dari masalah multikolinearitas.
heteroskedastisitas dilakukan dengan metode Uji White. Uji White dilakukan dengan cara membandingkan nilai Obs*R-Squared dengan nilai
χ 2 tabel. Nilai χ 2 tabel dalam penelitian ini sebesar 21,02 dengan df = 12
dan α = 5%.
Tabel 4.8 Uji White
White Heteroskedacity Test : F-statistic Obs*R-squared
Probability Probability
(Sumber: Data primer diolah, 2012)
Dari hasil analisis yang telah dilakukan, diperoleh nilai Obs*R- Squared lebih kecil dari χ 2 Tabel (14.0780< 21,02) yang artinya model
terbebas dari masalah heteroskedastisitas.
3. Autokorelasi
Autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (data deret waktu) atau ruang (data cross section). Untuk memastikan ada tidaknya autokorelasi dalam model, dilakukan metode Breusch-Godfrey Test (B-G tes) sebagai berikut:
Tabel 4.9 Uji B-G Test
Breusch-Godfrey Serial Correlation LM Test : F-statistic Obs*R-squared
Probability Probability
(Sumber: Data primer diolah, 2012)
Berdasarkan Tabel 4.9 dapat dilihat bahwa nilai probabilitas Obs*R-Squared lebih besar dari nilai signifikansi yakni 0,05 sehingga dapat diambil kesimpulan bahwa model terbebas dari masalah autokorelasi.
c. Uji Statistik
1. Uji F
Nilai F hitung yang diperoleh sebesar 5.6335 dengan nilai probabilitasnya 0.0000 dengan menggunakan tingkat signifikansi 0,05 serta nilai probabilitasnya lebih kecil dari 0,05 maka dapat diambil Nilai F hitung yang diperoleh sebesar 5.6335 dengan nilai probabilitasnya 0.0000 dengan menggunakan tingkat signifikansi 0,05 serta nilai probabilitasnya lebih kecil dari 0,05 maka dapat diambil
2. Uji R 2
Uji R 2 digunakan untuk mengetahui berapa persen (%) variasi
variabel dependen yang dapat dijelaskan oleh variasi variabel independen. Besarnya nilai Adjusted R Squared yang diperoleh dari regresi linier sebesar 0.2624 yang artinya sekitar 26,24% variasi variabel dependen dalam hal ini WTP (Willingness to pay) dapat dijelaskan oleh variabel independen dalam hal ini pendapatan, pendidikan, usia, jumlah anggota keluarga, jarak dan tinggi genagan. Sisanya sebanyak 73,76% dijelaskan oleh variabel lain yang tidak dimasukkan dalam model.
3. Uji t
Uji t adalah uji secara individu semua koefisien regresi yang bertujuan untuk mengetahui besarnya pengaruh masing-masing variabel independen. Hasil dari uji t. Dalam pengujian ini menggunakan tingkat
signifikan
) 0,05 dan df = 102.:
a. Pengujian terhadap
(variabel pendapatan)
1) Menentukan Hipotesis
Ha :
= 0 ( variabel pendapatan tidak signifikan mempengaruhi besarnya WTP mitigasi) Ha :
0 (variabel pendapatan signifikan mempengaruhi besarnya WTP mitigasi)
2) Menentukan derajat signifikan
) = 0,05
3) Penghitungan uji t Nilai t hitung = 1.3631 (Tabel 4.6) Nilai t tabel = t 0,05 ; df : 102 = 1,96 (Tabel distribusi t)
Gambar 4.4 uji t untuk variabel pendapatan
4) Kesimpulan : t hitung < t tabel atau 1.3631 < 1,96 Dengan menggunakan kriteria pengujian dua sisi dan pada taraf signifikansi 0,05, karena t hitung (1.3631) lebih kecil dari t tabel (1,96), maka Ho diterima dan Ha ditolak. Kesimpulannya variabel pendapatan mempunyai pengaruh yang tidak signifikan terhadap kemampuan untuk membayar (WTP) mitigasi.
b. Pengujian terhadap
(variabel pendidikan)
1) Menentukan Hipotesis
Ho diterima Ho ditolak
Ho ditolak
- t (-1,96)
t (1,96)
Ha :
= 0 ( variabel pendidikan tidak signifikan mempengaruhi besarnya WTP mitigasi) Ha :
0 (variabel pendidikan signifikan mempengaruhi besarnya WTP mitigasi)
2) Menentukan derajat signifikan
) = 0,05
3) Penghitungan uji t Nilai t hitung = 1.2893 (Tabel 4.6) Nilai t tabel = t 0,05 ; df : 102 = 1,96 (Tabel distribusi t)
Gambar 4.5 uji t untuk variabel pendidikan
4) Kesimpulan : t hitung < t tabel atau 1.2893 < 1,96 Dengan menggunakan kriteria pengujian dua sisi dan pada taraf signifikansi 0,05, karena t hitung (1.2893) lebih kecil dari t tabel (1,96), maka Ho diterima dan Ha ditolak. Kesimpulannya variabel pendidikan mempunyai pengaruh yang tidak signifikan terhadap kemampuan untuk membayar (WTP) mitigasi.
c. Pengujian terhadap
(variabel usia)
1) Menentukan Hipotesis
Ho diterima Ho ditolak
Ho ditolak
- t (-1,96)
t (1,96)
Ha :
= 0 ( variabel usia tidak signifikan mempengaruhi besarnya WTP mitigasi) Ha :
0 (variabel usia signifikan mempengaruhi besarnya WTP mitigasi)
2) Menentukan derajat signifikan
) = 0,05
3) Penghitungan uji t
Nilai t hitung = 1.8135 (Tabel 4.6) Nilai t tabel = t 0,05 ; df : 102 = 1,96 (Tabel distribusi t)
Gambar 4.6 uji t untuk variabel usia
4) Kesimpulan : t hitung < t tabel atau 1.8135 < 1,96 Dengan menggunakan kriteria pengujian dua sisi dan pada taraf signifikansi 0,05, karena t hitung (1.8135) lebih kecil dari t tabel (1,96), maka Ho diterima dan Ha ditolak. Kesimpulannya variabel usia mempunyai pengaruh yang tidak signifikan terhadap kemampuan untuk membayar (WTP) mitigasi.
d. Pengujian terhadap
(variabel jumlah anggota keluarga)
1) Menentukan Hipotesis
Ho diterima Ho ditolak
Ho ditolak
- t (-1,96)
t (1,96)
Ha :
= 0 ( variabel jumlah anggota keluarga tidak signifikan mempengaruhi besarnya WTP mitigasi) Ha :
0 (variabel jumlah anggota keluarga signifikan mempengaruhi besarnya WTP mitigasi)
2) Menentukan derajat signifikan
) = 0,05
3) Penghitungan uji t Nilai t hitung = -0.3180 (Tabel 4.6)
Nilai t tabel = t 0,05 ; df : 102 = 1,96 (Tabel distribusi t)
Gambar 4.7 uji t untuk variabel jumlah anggota keluarga
4) Kesimpulan : t hitung < t tabel atau -0.3180 < 1,96 Dengan menggunakan kriteria pengujian dua sisi dan pada taraf signifikansi 0,05, karena t hitung (-0.3180) lebih kecil dari t tabel (1,96), maka Ho diterima dan Ha ditolak. Kesimpulannya variabel jumlah anggota keluarga mempunyai pengaruh yang tidak signifikan terhadap kemampuan untuk membayar (WTP) mitigasi.
e. Pengujian terhadap
(variabel jarak)
1) Menentukan Hipotesis
Ho diterima Ho ditolak
Ho ditolak
- t (-1,96)
t (1,96)
Ha :
= 0 ( variabel jarak tidak signifikan mempengaruhi besarnya WTP mitigasi) Ha :
0 (variabel jarak signifikan mempengaruhi besarnya WTP mitigasi)
2) Menentukan derajat signifikan
) = 0,05
3) Penghitungan uji t Nilai t hitung = 2.0232 (Tabel 4.6)
Nilai t tabel = t 0,05 ; df : 102 = 1,96 (Tabel distribusi t) Gambar 4.8 uji t untuk variabel jarak
4) Kesimpulan : t hitung > t tabel atau 2.0232 > 1,96 Dengan menggunakan kriteria pengujian dua sisi dan pada taraf signifikansi 0,05, karena t hitung (2.0232) lebih besar dari t tabel (1,96), maka Ho ditolak dan Ha diterima. Kesimpulannya variabel jarak mempunyai pengaruh yang signifikan terhadap kemampuan untuk membayar (WTP) mitigasi.
f. Pengujian terhadap
(variabel tinggi genangan)
1) Menentukan Hipotesis
Ho diterima Ho ditolak
Ho ditolak
- t (-1,96)
t (1,96)
Ha :
= 0 ( variabel tinggi genangan tidak signifikan mempengaruhi besarnya WTP mitigasi) Ha :
0 (variabel tinggi genangan signifikan mempengaruhi besarnya WTP mitigasi)
2) Menentukan derajat signifikan
) = 0,05
3) Penghitungan uji t Nilai t hitung = -3.2867 (Tabel 4.6)
Nilai t tabel = t 0,05 ; df : 102 = 1,96 (Tabel distribusi t)
Gambar 4.9 uji t untuk variabel tinggi genangan
4) Kesimpulan : t hitung > t tabel atau -3.2867 > -1,96 Dengan menggunakan kriteria pengujian dua sisi dan pada taraf signifikansi 0,05, karena t hitung (-3.2867) lebih besar dari t tabel (1,96), maka Ho ditolak dan Ha diterima. Kesimpulannya variabel tinggi genangan mempunyai pengaruh yang signifikan terhadap kemampuan untuk membayar (WTP) mitigasi.