Uji Penyimpangan Asumsi Klasik OLS

t : Tahun penelitian dari tahun 1987 sampai 2003 u t : Unsur gangguan stochastic disturbance Pertumbuhan Growth nilai produksi dihitung dengan menggunakan rumus : 4.6 Pengujian model persamaan regresi berganda ini, menggunakan metode kuadrat terkecil biasa Ordinary Least Squares, OLS. Analisa model persamaan PCM, digunakan program Eviews 4.1 dan Minitab. Estimasi tanda dari koefisien variabel bebas adalah β 1 0, β 2 0, β 3 0 yang artinya, masing-masing variabel bebas memiliki hubungan positif terhadap PCM. Semakin besar nilai F-statistik dan semakin kecil probability F-statistik, maka akan memberi pengaruh nyata terhadap PCM.

4.2.4.2. Uji Penyimpangan Asumsi Klasik OLS

Dalam melakukan analisis metode OLS perlu diperhatikan masalah pelanggaran asumsi klasik. Model persamaan yang baik harus terhindar dari pelanggaran asumsi model linier klasik. Pelanggaran yang harus dihindari dalam proses pengujian model persamaan regresi adalah multikolinearitas, autokorelasi dan heteroskedastisitas Gujarati, 1978. Multikorelasi didefinisikan sebagai adanya korelasi yang kuat antar variabel bebas pada model persamaan. Multikolinearitas dapat menyebabkan koefisien variabel bebas cenderung tidak signifikan terhadap variabel respon. Uji multikolinearitas dilakukan dengan melihat koefisiensi korelasi antar variabel 100 x 1 - t tahun pada riil Output 1 - t tahun pada riil Output t tahun pada riil Output Growth − = bebas yang terdapat pada matriks korelasi. Jika terdapat koefisien yang lebih besar dari |0.8| maka dapat disimpulkan terjadi multikolinearitas pada model persamaan yang digunakan. Autokorelasi didefinisikan sebagai korelasi yang terjadi antara unsur gangguan galat pada tahun sekarang dengan galat pada tahun sebelumnya Autokorelasi bisa terjadi pada data deret waktu time series. Pengujian Autokorelasi dapat diketahui dengan menggunakan Breusch-godfrey serial Correlation LM Test , yang hasil kesimpulannya dapat diketahui dari nilai Probability ObsR-squared. Jika nilai Probability ObsR-squared lebih kecil dari taraf nyata, maka tidak terjadi autokorelasi didalam model persamaan. Begitu pula sebaliknya, jika nilai probability ObsR-squared ternyata lebih besar dari taraf nyata, maka terjadi autokorelasi pada model persamaan yang digunakan. Taraf nyata α didefinisikan sebagai resiko kesalahan maksimum yang dapat ditolerir dalam menyimpulkan hipotesis H 1 . H 1 merupakan hipotesis alternatif dari hipotesis yang ingin diuji atau hipotesis nol H . Taraf nyata α yang digunakan dalam penelitian ini adalah sebesar 5, artinya hanya sebesar 0.05 resiko kesalahan yang dipilih untuk menerima kesimpulan hipotesis H 1 . Untuk melihat besarnya pengaruh nyata pada model persamaan yang dipakai, maka dilakukan uji probability t-statistik dan F-statistik. Probability t- statistik menunjukan besarnya pengaruh nyata untuk masing-masing variabel. Apabila probability untuk masing-masing variabel bebas bernilai lebih kecil dari α prob5, maka dapat disimpulkan variabel bebas tersebut berpengaruh nyata pada taraf 5. Begitu pula sebaliknya, jika probability lebih besar dari α, maka variabel bebas tersebut tidak mempengaruhi PCM pada taraf 5. Probability F-statistik digunakan untuk mengetahui besarnya pengaruh secara keseluruhan dari variabel bebas terhadap PCM. Hipotesis untuk melakukan uji F-statistik adalah : H : semua β i = 0, artinya tidak ada variabel bebas yang berpengaruh terhadap PCM. H 1 : β i ≠ 0, artinya minimal ada satu variabel bebas yang berpengaruh terhadap PCM. Apabila probability F-statistik kurang dari α prob5, maka kesimpulannya adalah tolak H , artinya minimal ada satu variabel bebas yang mempengaruhi PCM secara nyata. Namun sebaliknya, jika probability F-statistik lebih besar dari α prob5, maka dapat disimpulkan terima H , artinya tidak ada varibel bebas yang berpengaruh terhadap PCM.

V. GAMBARAN INDUSTRI SEPEDA MOTOR DI INDONESIA