c. Kriteria PengujianPengambilan Keputusan 1.
Jika probabilitas sig t α 0,1 atau t-stat t
α2nT-n-k
maka terima Ho, artinya tidak ada pengaruh yang signifikan dari variabel
independen terhadap variabel dependen. 2.
Jika probabilitas sig t α 0,1 atau t-stat t
α2nT-n-k
maka tolak Ho, artinya ada pengaruh yang signifikan dari variabel independen
terhadap variabel dependen.
3.6.1.3. Koefisien Determinasi R²
Koefisien determinasi digunakan untuk mengukur ketepatan hubungan antara variabel independen dengan variabel dependen, seberapa besar persentase
total variasi variabel dependen yang mampu dijelaskan oleh model. Nilai koefisien determinasi berada pada selang 0 nol
– 1 satu, semakin besar koefisien R² maka semakin besar pengaruh model dalam menjelaskan variabel
dependen.
3.6.2. Uji Kriteria Ekonometrika
Pengujian pelanggaran asumsi dasar ekonometrika yang perlu dilakukan, yaitu :
3.6.2.1. Multikolinearitas
Pelanggaran asumsi ini terjadi karena adanya keterkaitan atau hubungan linear antar variabel independen penyusun model. Untuk mendeteksi ada tidaknya
multikolinearitas bisa dilakukan dengan cara melihat hasil t dan F statistik. Jika terdapat banyak koefisien parameter t statistik menunjukan hasil yang tidak
signifikan, sementara hasil F statistiknya signifikan, maka hal ini
mengindikasikan adanya multikolinearitas. Untuk mengatasi pelanggaran ini bisa dilakukan dengan cara penggabungan data cross section dengan data time series
dan menghilangkan variabel yang tidak signifikan Juanda, 2009.
3.6.2.2. Autokolerasi
Pelanggaran asumsi ini akan memengaruhi efisiensi dari estimatornya. Untuk mendeteksi ada tidaknya autokorelasi bisa dilakukan dengan cara melihat
nilai Durbin-Watson
stat
di dalam Eviews dan membandingkannya dengan nilai DW tabel pada tingkat
of significant α. Adapun kerangka identifikasi pelanggaran asumsi autokolerasi terangkum dalam Tabel.3.3.
Tabel 3.3. Kerangka Identifikasi Autokolerasi Nilai DW
Hasil
DW 1,10 Ada autokorelasi
1,10 DW 1,54 Tanpa kesimpulan
1,55 DW 2,46 Tidak ada autokorelasi
2,47 DW 2,90 Tanpa kesimpulan
DW 2,91 Ada autokorelasi
Sumber : Firdaus, 2004.
Korelasi serial terjadi jika error dari periode waktu yang berbeda saling berkolerasi, yang menyebabkan model menjadi tidak efisien meskipun tidak bias
dan konsisten. Untuk mengatasi pelanggaran ini bisa dilakukan dengan cara menambahkan AR1 atau AR2 dan seterusnya tergantung berapa banyak
autokolerasi yang terdapat di dalam model tersebut.
3.6.2.3. Heteroskedastisitas
Masalah heteroskedastisitas umumnya terdapat pada data cross section. Pelanggaran asumsi ini akan menyebabkan model menjadi tidak efisien meskipun
tidak bias dan konsisten. Untuk mendeteksi pelanggaran asumsi tersebut bisa
dilakukan dengan uji-White Heteroscedasticity yang diperoleh dalam program Eviews dengan cara membandingkan nilai Obs R-Squared dengan X Chi-
Squared. Jika nilai Obs R-Squared X Chi-Squared tabel, maka tidak terdapat pelanggaran heteroskedastisitas, begitu juga sebaliknya.
Uji heteroskedastisitas juga bisa dilakukan dengan menggunakan metode GLS Cross-Section Weight yang juga tersedia di dalam program Eviews dimana
jika terdapat pelanggaran heteroskedastisitas, maka nilai Sum Squred Resid Weighted Statistic akan lebih kecil jika dibandingkan dengan nilai Sum Squred
Resid Unweighted Statistic. Jika model mengalami masalah tersebut, maka dengan menggunakan metode GLS Generalized Least Square masalah tersebut
sudah dapat teratasi. Metode ini merupakan metode kuadrat terkecil yang terboboti, dimana model ditransformasikan dengan memberikan bobot pada data
asli Juanda, 2009.
3.6.2.4. Uji Normalitas