sehingga bila 1 dibagi dengan VIF maka di dapat nilai TOL ≥ 0,2. Artinya bila
nilai VIF lebih besar dari 5,0 maka terdapat masalah multikolinieritas, demikian bila nilai TOL lebih kecil dari 0,2 juga terjadi masalah multikolinieritas.
Hasil estimasi dijumpai nilai TOL dan VIF untuk variabel luas lahan TOL=0,457 dan VIF=2,186, untuk variabel waktu kerja TOL=0,629 dan
VIF=1,591, untuk variabel jumlah pekerja TOL=0,748 dan VIF=1,338, untuk variabel pupuk TOL=0,574 dan VIF=1,743, untuk pestisida TOL=0,739 dan
VIF=1,353, dan terakhir untuk variabel benihbibit memiliki nilai TOL=0,640 dan nilai VIF=1,562. Terlihat bahwa semua nilai TOL dan VIF berada dalam batas
yang telah ditetapkan sehingga dapat disimpulkan bahwa tidak terjadi pelanggaran asumsi klasik berupa multikolinieritas.
4.3.2 Uji Heterokedastisitas
Dalam regresi berganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut bersifat BLUE adalah var u
i
= σ
2
konstan, semua sesatan mempunyai variansi yang sama. Padahal ada kasus- kasus tertentu dimana variansi u
i
tidak konstan, melainkan suatu variabel berubah- ubah Nachrowi dan Usman, 2002.
Sebagaimana telah dijelaskan pada bab tiga penelitian ini bahwa untuk mendeteksi unsur heterokedastisitas pada model penelitian dilakukan dengan
pendekatan grafik dan metode yang dikembangkan R.E Park uji Park. Menurut Ghozali 2005 salah satu cara mendeteksi ada atau tidaknya heterokedastisitas
dapat dilihat dari Grafik Plot antara nilai prediksi variabel terikat dependen yaitu
ZPRED dengan residualnya SRESID. Deteksi ada atau tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot.
Bila ada pola tertentu bergelombang, melebar, kemudian menyempit, maka mengindikasikan telah terjadi heterokedastisitas, sebaliknya bila tidak ada pola
yang jelas, serta titik-titik menyebar di atas dan di bawah angka nol pada sumbu Y, maka tidak terjadi heterokedastisitas. Hasil pengujian secara grafik sebagai
berikut:
Scatterplot Dependent Variable: LOGY
Regression Standardized Predicted Value
3 2
1 -1
-2 -3
R egr
es s
ion S tud
ent iz
ed R
es idual
3 2
1 -1
-2 -3
-4 -5
Gambar 4.1: Scatterplot Uji Heterokedastisitas
Gambar di atas meperlihatkan bahwa titik-titik yang berada pada grafik scatterplot tidak membentuk suatu pola yang jelas, dan cenderung menyebar di
atas dan di bawah angka nol pada sumbu Y, sehingga dapat dikatakan bahwa tidak terjadi heterokedastisitas pada model produksi, dan data bersifat homokedastisitas
tidak dapat di tolak.
Cara kedua mendeteksi gejala heterokedastisitas dalam model penelitian ini adalah dengan Uji Park. Uji ini dilakukan dengan melakukan regresi linear
berganda dengan memasukkan U
2 i
sebagai dependen variabel, dimana U
i
diproksi dari data residual model produksi. Menurut Ghozali 2005 apabila koefisien
parameter beta dari persamaan regresi tersebut signifikan secara statistik, berarti model yang diestimasi terdapat heterokedastisitas. Hasil uji Park pada model
penelitian ini sebagai berikut: Tabel IV.7
Hasil Uji Park Model Produksi Padi Sawah di Kabupaten Aceh Tenggara
Variabel Koefisien Standar
error t-hitung Sig.
Konstanta Luas lahan x1
Waktu Kerja x2 Jumlah Pekerja x3
Pupuk x4 Pestisida x5
Benihbibit x6 -0,04184
-0,00001932 0,007207
0,002747 0,00005704
-0,000684 0,000001577
0,054 0,000
0,007 0,002
0,000 0,003
0,000 -0,768
-1.301 0,999
1,190 0,116
-0,254 0,003
0,444 0,196
0,320 0,237
0,908 0,800
0,997
Variabel Dependen: Residual Produksi Sumber: Hasil Estimasi Lampiran 5
Berdasarkan hasil uji Park yang ditampilkan pada tabel IV.7 di atas terlihat bahwa tidak ada satupun variabel bebas yang signifikan secara statistik, pengujian
inferensial dapat dilakukan melalui uji t atau juga dari nilai sig. yang terlalu besar dan di atas derajat = 0,05. Dengan demikian dapat dibuktikan bahwa dalam
model tidak ditemukan heterokedastisitas berdasarkan uji Park.
4.4 Hasil Estimasi Model Penelitian
