m
3
air umum. Perbedaan yang sangat mencolok akan menyebabkan bias dalam analisis faktor sehingga data asli harus ditransformasi standardisasi sebelum bisa
dianalisis. Proses standardisasi data bisa dilakukan dengan mentransformasi data kebentuk z-score Santoso, 2010.
3.2.4. Analisis Regresi Linier Berganda
Analisis regresi linier berganda merupakan salah satu metode analisis yang sesuai jika masalah penelitian meliputi sebuah variabel tak bebas dependent
variable yang dianggap berhubungan dengan dua atau lebih variabel bebas independent variable. Analisis regresi linier berganda dalam penelitian ini
dilakukan untuk mengetahui kontribusi masing-masing faktor yang terbentuk dari hasil analisis komponen utama dan analisis faktor terhadap pendapatan pelabuhan.
Data yang digunakan dalam analisis regresi linier berganda adalah data kuantitatif, baik untuk variabel bebas maupun tak bebas. Pemakaian data kualitatif pada
variabel bebas dimungkinkan dengan mengubahnya menjadi variabel boneka dummy variable.
3.2.4.1. Penyusunan Model
Bentuk umum untuk model regresi dengan variabel tak bebas pendapatan pelabuhan dan variabel bebas merupakan faktor yang terbentuk dalam analisis
sebelumnya adalah:
� = � + � +
� +
� � + � +
� � + � � + � +
� � + � � = � + � � + � � + � � + �
dimana: Y
i
= pendapatan pelabuhan rupiah �
= konstanta intercept � , … , �
= koefisien regresi JL
i
= jasa labuh gross register tonGRT JT
i
= jasa tambat GRTETM JD
i
= jasa dermaga tonm
3
JP
i
= jasa penumpukan tonm
3
hari JAK
i
= jasa air kapal m
3
JAU
i
= jasa air umum m
3
JLS
i
= jasa listrik kwh
F
1i
= faktor 1 F
2i
= faktor 2 D
i
= perubahan tarif dummy variable ε
i
= kesalahan pengganggu
i = periode waktu 2004,2005,…,2011
3.2.4.2. Pemeriksaan Asumsi Model
Asumsi-asumsi yang harus dipenuhi oleh suatu model regresi linier berganda antara lain sebagai berikut Gujarati, 1997:
1. E ε
i
ǀ X
i
= 0, untuk i = 1,2,3,…,n
Artinya rata-rata kesalahan pengganggu sama dengan nol atau ε
i
menyatakan variabel-variabel lain yang memengaruhi P
i
akan tetapi tidak terwakili dalam model.
2. Cov ε
i
, ε
j
= 0; i ≠ j
Artinya tidak ada korelasi antara kesalahan pengganggu yang satu dengan yang lainnya.
3. Var ε
i
=
σ
2
Artinya setiap kesalahan pengganggu mempunyai varian yang sama atau mempunyai penyebaran yang sama homokedastisitas.
4. ε
i
∼ N 0,σ
2
Artinya untuk setiap kesalahan pengganggu mengikuti distribusi normal dengan rata-rata 0 dan varian
σ
2
. 5. Tidak ada multikolinieritas, yaitu tidak ada hubungan linier yang pasti antara
variabel-variabel bebas. Uji statistik yang digunakan meliputi uji simultan uji F dan uji parsial
uji t. Asumsi-asumsi yang disyaratkan dan harus diuji adalah uji normalitas, uji autokorelasi, uji heterokedastisitas dan uji multikolinieritas.
3.2.4.3. Teknik Pemeriksaan Asumsi Model
Beberapa teknik pemeriksaan asumsi model regresi berganda antara lain sebagai berikut:
1. Uji Normalitas Uji normalitas adalah uji kesalahan pengganggu atau error apakah
mengikuti distribusi normal dengan rata-rata nol dan varian σ
2
. Asumsi normalitas diuji dengan menggunakan diagram pencar peluang normal antara
probabilita kumulatif residu dengan probabilita kumulatif normal. Jika sebaran identik dengan garis lurus pada normal plot maka asumsi kenormalan
terpenuhi Gujarati, 1997. 2. Uji Multikolinieritas
Multikolinieritas artinya terjadinya hubungan linier antara variabel bebas. Dalam model regresi linier yang mencakup lebih dari dua variabel,
sering terjadi multikolinieritas. Jika dari hasil pengujian statistiknya, didapatkan R
2
besar, F-test besar, dan t-test juga besar, berarti tidak terjadi multikolinieritas. Kalaupun terjadi, maka derajat multikolinieritasnya rendah
sehingga bisa diabaikan. Jadi tingginya kolinieritas, tidak memungkinkan untuk
memisahkan pengaruh parsial dan variabel bebas terhadap variabel tak bebas Y. Atau dapat dikatakan bahwa kehadiran bersama variabel-variabel bebas
akan mempunyai pengaruh bersama terhadap Y joint effect, tetapi jika berdiri sendiri-sendiri, masing-masing secara individu tidak mempunyai
pengaruh terhadap Y.
Untuk mengetahui adanya multikolinieritas pada suatu model regresi dengan teori L.R. Klein, menggunakan konsep VIF Variance Inflation
Factors. Nilai VIF diperoleh dengan rumus:
� =
�
=
−
adalah koefisien determinasi yang dihasilkan dengan meregresikan variabel penjelas ke-j dengan variabel lainnya. Semakin tinggi
nilai , VIF akan semakin besar. Suatu model regresi jika memiliki nilai VIF
melebihi 5 maka perlu diperhatikan masalah multikolinieritas diantaranya dengan teknik analisis komponen utama dan analisis faktor.
3. Uji Autokorelasi Autokorelasi adalah korelasi antar variabel serangkaian observasi
yang diurutkan menurut waktu seperti dalam data deret waktu atau ruang seperti data cross section. Akibat adanya autokorelasi dalam model regresi
akan menyebabkan penaksir yang digunakan tidak lagi efisien meskipun penaksir tetap unbiased dan konsisten, selain itu penaksir akan memberikan
gambaran yang menyimpang dari nilai populasi yang sebenarnya. Uji untuk mendeteksi apakah hasil regresi melanggar asumsi
autokorelasi atau tidak, dilakukan dengan melihat nilai statistik Durbin- Watson DW.
Pengujian hipotesis: H
: tidak terdapat autokorelasi H
1
: terdapat autokorelasi
Statistik uji:
=
∑
�
−
�− �
�=
∑
� �
�=
Keputusan: d d
L
: tolak H terdapat autokorelasi positif
d 4 – d
L
: tolak H terdapat autokorelasi negative
d
U
d 4 – d
U
: terima H tidak terdapat autokorelasi
d
L
d d
U
: pengujian tidak meyakinkan 4 – d
U
d 4 - d
L
: pengujian tidak meyakinkan 4. Uji Heterokedastisitas
Asumsi yang penting dari model regresi linier adalah bahwa gangguan disturbance yang muncul dalam fungsi regresi adalah
homokedastisitas, yaitu gangguan tadi mempunyai varian yang sama. Adanya heterokedastisitas mengakibatkan penaksir tidak lagi efisien walaupun
penaksir tersebut tetap tak bias dan konsisten, artinya mempunyai varian yang lebih besar dari varian minimum.
Untuk mendeteksi apakah telah terjadi heterokedastisitas dapat dilakukan dengan membuat plot data antara nilai-nilai prediksi ZPRED =
Regerssion Standardized Predicted Value pada sumbu X dengan nilai residualnya ZRESID = Regression Standardized Predicted Value pada
sumbu Y. Jika ditemukan ada pola tertentu, maka mengindikasikan adanya heterokedastisitas. Jika tidak ada pola yang jelas serta titik-titik menyebar di
atas dan di bawah angka nol pada sumbu Y maka dapat dikatakan bahwa tidak terdapat heterokedastisitas Gujarati, 1997.
3.2.4.4. Pengujian terhadap Model Regresi
