k = parameter regresi i = variabel bebas
Kaidah keputusannya : a.
t hitung ttabel , maka Ho ditolak dan H1 diterima artinya terdapat pengaruh variabel bebas terhadap variabel terikat.
b. t hitung ttabel , maka Ho diterima dan H1 ditolak artinya tidak ada
pngaruh variabel bebas terhadap variabel terikat.
Gambar 6. Distribusi Penerimaan dan Penolakan Hipotesis
Daerah Penolakan Ho Daerah Penolakan Ho
Daerah Penerimaan Ho
- t - t
tab tab
Sumber : Sudrajad MSW, 1998, mengenal ekonometrika pemula, cetakan kedua, CV Armico, Bandung hal :94
3.4.3. Asumsi Klasik Analisis Regresi Linier
Pengujian ini dimaksudkan untuk mendeteksi ada tidaknya autokorelasi, multikolinieritas, dan heterokedastisitas dalam hasil estimasi,
karena apabila terjadi penyimpangan terhadap asumsi klasik tersebut, uji t dan uji F yang dilakukan sebelumnya menjadi tidak valid dan secara
statistik dapat mengacaukan kesimpulan yang diperoleh, untuk itu dilakukan uji asumsinya.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tujuan utama penggunaan uji asumsi klasik adalah untuk mendapatkan koefisien regresi yang terbaik linier dan tidak biasa Blue
Best Linier Unblased Estimator sifat dari Best Linier Unblased Estimator BLUE itu sendiri adalah :
a. Best : pentingnya sifat ini bila diterapkan dalam penaksiran signifikan
buku terhadap α
dan β .
b. Linier
: sifat ini untuk memudahkan dalam penaksiran c.
Unbiased : nilai jumlah sampel sangat besar penaksiran parameter diperoleh dari sampel besar kira-kira lebih mendekati nilai parameter
sebenarnya. d.
Estimasi : e diharapkan sekecil mungkin. Untuk melakukan suatu regresi linier perlu memperhatikan beberapa
hal antara lain tidak terjadi autokorelasi, tidak terjadi heterokedastisitas, tidak terjadi multikolinieritas.
1. Autokorelasi
Autokorelasi didefinisikan sebagai korelasi yang terjadi antara anggota observasi yang terletak berderetan secara series dalam bentuk
waktu jika datanya time series atau korelasi antara tempat yang berderet atau berdekatan kalau datanya cross sectional. Sudrajad, 1998 :
213 Asumsi pertama dalam regresi linier adalah ada atau tidaknya
autokorelasi yang dilihat dari besarnya nilai Durbin Watson, untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat tabel
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
kriteria pengujian Durbin Watson uji DW
Gambar 7. Kurva Statistik Durbin Watson
Kurva Statistik Durbin Watson
Daerah Kritis Daerah Daerah
Daerah Kritis
Ketidakpastian
Ketidakpastian
Terima
Ho
ol
Tid
To o
T ak Ho
ak ada
lak H
dL dU
4-dU 4—dL
um S
ber : Gujarati, 2002 Ekonometrika Dasar, cetakan pertama, PT. Gelora 16
Ad .
A : Durbin Watson d
L,
tolak Ho autokorelasi
. Durbin Watson d
U
, terima Ho, non
– d
L
, tolak Ho autokorelasi
negatif. Gujarati, 2002: 217
Aksar Pratama, Bandung, hal 2 anya autokorelasi didasarkan atas :
1 Daerah
positif. 2.
Daerah B : d
L
Durbin Watson d
U,
ragu-ragu. 3
Daerah C : d
U
autokorelasi. 4.
Daerah D : 4 – d
U
Durbin Watson 4 – d
U,
ragu-ragu. 5.
Daerah E : Durbin Watson 4
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Pendekteksian adanya autokorelasi dapat dilakukan dengan menggunakan perhitungan besaran Durbin Watson. Panduan mengenai angka
D – W Durbin Watson untuk mendeteksi autokorelasi adalah: 1.
Angka D – W dibawah -2, berarti ada autokorelasi positif. 2.
Angka D – W dibawah -2 sampai +2, berarti tidak ada autokorelasi.
3. Angka D – W diatas +2, berarti ada korelasi negatif.
Tabel 1. Kriteria pengujian Durbin Watson DW Kesimpulan
Kurang dari 1,08 Ada autokorelasi
1,08 dan 1,66 Tanpa kesimpulan
1,66 dan 2,34 Tidak ada
autokorelasi 2,34 dan 2,92
Tanpa kesimpulan Lebih dari 2,92
Ada autokorelasi Sumber : Algifari, 2000. Analisis Regresi, Teori, Kasus dan Solusi,
Penerbit : BPFE UGM, Yogyakarta, Halaman 89.
2. Heteroskedatisitas
Heteroskedastisitas adalah gejala dimana varians tidak sama atau tidak homogen. Hal ini bisa diketahui berdasarkan pengujian korelasi
Rank Spearman.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
61
Koefisien Rank Spearman :
Rs = 1 – 6 =
1
2
N N
di Sudrajad, 1998 : 198
Keterangan : d = selisih dalam waktu antara residual dengan variabel bebas ke 1
N = jumlah pengamatan Sudrajad, 1998 : 198 3.
Multikolineritas Multikolineritas adalah adanya hubungan yang sempurna antara
semua atau beberapa variabel eksplanatori dalam model regresi yang dikemukakan untuk mengetahui adanya multikolineritas dapat dilihat
dengan kolineriti sering ditandai dengan ciri-ciri : a.
Kolineriti sering ditandai dengan nilai R2 yang tinggi b.
Koefisien korelasi sederhananya tinggi c.
Nilai F
hitung
tinggi signifikan.Sudrajad, 1998 : 167
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
