6. Uji Autokorelasi Salah satu asumsi dari model regresi linier adalah bahwa tidak ada
autokorelasi atau korelasi serial antara sisaan εt, atau dengan kata lain sisaan menyebar bebas. Masalah autokorelasi sering terjadi dalam data time series,
meskipun demikian masalah ini dapat juga dalam data cross section. Untuk mendeteksi adanya autokorelasi dapat digunakan metode grafik atau dengan
menggunakan uji Durbin-Watson, yaitu dengan asumsi sebagai berikut: H0 : tidak ada autokorelasi
H1 : ada autokorelasi Kriteria keputusan: tolak H0 bila nilai Durbin-Watson ddu atau 4-
dudu atau terima H0 bila dud4-du.
3.4.2 Analisis Respon Terhadap Kenaikan Harga BBM 3.4.2.1 Analisis
Crosstab
Tabulasi silang crosstab digunakan untuk menggambarkan jumlah data dan hubungan antar variabel. Selain itu, untuk menguji ada tidaknya hubungan
antar variabel pengaruh dengan variabel terpengaruh dimana salah satu variabel minimal nominal dilakukan uji hipotesa. Crosstab digunakan untuk menyajikan
deskripsi data dalam bentuk tabel silang yang terdiri atas baris dan kolam. Data input yang dimasukan dalam penggunaan crosstab adalah data nominal atau
ordinal. Fungsi dari analisis crosstab adalah untuk menggambarkan jumlah data
dan hubungan antarvariabel. Uji ketergantungan untuk crosstab pada statistik ditentukan melalui chi-square test dengan mengamati ada tidaknya hubungan
antarvariabel yang dimasukan baris dan kolam. Penentuan chi-square test menggunakan hipotesis yaitu:
H0 : Faktor yang diuji tidak berhubungan nyata dengan respon responden H1 : Faktor yang diuji berhubungan nyata dengan respon responden
Pengambilan keputusan dengan menggunakan nilai Asymp. Sig. 2-sided yang terdapat pada chi square test. Apabila nilai Asymp. Sig. 2-sided lebih dari
α taraf nyata maka H0 diterima. Apabila nilai Asymp. Sig. 2-sided kurang dari
α taraf nyata maka H0 ditolak yang artinya ada hubungan antara baris dan kolam Wahana, 2007.
3.4.2.2 Analisis Model Logit
Menentukan tingkat penerimaan responden terhadap pembayaran jasa lingkungan sebagai upaya konservasi dikumpulkan berupa data binner. Jika
peubah respon dari analisis regresinya berupa kategorik, maka analisis regresi yang digunakan adalah analisis regresi logit Hosmer dan Lemeshow, 1989.
Peubah kategori bisa merupakan suatu pilihan yatidak atau sukatidak. Sedangkan peubah penjelas pada analisis regresi logit ini dapat berupa peubah kategori
maupun numerik, untuk menduga besarnya peluang kejadian tertentu dari kategori peubah respon.
Data binner merupakan bentuk data yang menggambarkan pilihan “Ya
atau Tidak”. Kondisi seperti ini, jenis penggunaan regresi yang sesuai untuk pemodelan adalah regresi logit. Hal yang membedakan model regresi logit dengan
regresi biasa adalah peubah terikat dalam model bersifat dikotomi Hosmer dan Lameshow, 1989. Bentuk fungsi ini model logit adalah :
pi 1
pi log
Logitpi
e
2.7
Logit p
i
=
+
1
JTG
i
+
2
NDK
i
+
3
OMZ
i
+
4
PBH
i
+
5
WTP
i
+
6
CM
i
+
7
FS
i
+
8
JM
i
+ ε
i
2.8
dimana: Logitp
i
= Peluang responden Setuju dengan kenaikan harga BBM bernilai 1 untuk “setuju” dan bernilai 0 untuk “tidak setuju”
= Intersep
1 ,
2,
3,…,
10
= Koefisien dari regresi
JTG = Jumlah tanggungan dari responden Orang PNDK = Tingkat pendidikan “1” untuk SD, “2” untuk SMP, “3” untuk SMA
OMZ = Omzet per bulan Jutaan Rupiah PBH = Penggunaan BBM per hari Liter
WTP = Kesediaan membayar Rupiah liter CM = CC mobil pick up CC
FS = Frekuensi sewa per minggu
JM = Jumlah mobil yang dimiliki Mobil
ε
= Galat
Pengujian terhadap parameter model dilakukan untuk memeriksa kebaikan model. Uji statistik yang dilakukan adalah dengan menggunakan statistik Odds
Ratio. Pengertian dari Odd Ratio adalah Rasio peluang terjadi pilihan-1 terhadap
peluang terjadi pilihan-0 Juanda, 2009. Koefisien bertanda positif menunjukan nilai odds ratio yang lebih besar dari satu, hal tersebut mengindikasikan bahwa
peluang kejadian sukses lebih besar dari peluang kejadian tidak sukses. Sedangkan koefisien yang bertanda negatif mengindikasikan bahwa peluang
kejadian tidak sukses lebih besar dari peluang kejadian sukses.
3.5 Variabel dan Definisi Operasional
Variabel yang akan dimasukan ke dalam regresi dan diduga berpengaruh terhadap respon kenaikan harga BBM adalah:
1. Variabel terikat dependent yang digunakan memiliki nilai nol “0” dan satu
“1”. Nilai nol “0” mewakili jawaban responden yang tidak setuju dengan kenaikan harga BBM. Nilai satu “1” mewakili jawaban responden yang setuju
dengan kenaikan harga BBM. 2. Variabel jumlah tanggungan diduga akan memengaruhi respon dari pemilik
usaha jasa angkutan barang terhadap kenaikan harga BBM. Dikarenakan jumlah tanggungan terkait dengan besarnya pengeluaran responden setiap
hari, semakin besar jumlah tanggungan maka akan semakin tidak setuju dengan kenaikan harga BBM yang pasti berdampak pada kenaikan harga
kebutuhan sehari-hari. 3. Variabel tingkat pendidikan diduga memengaruhi respon dari pemilik usaha
jasa angkutan barang terhadap kenaikan harga BBM karena dengan tingginya pendidikan seseorang dapat membuat orang tersebut mengetahui
perkembangan ekonomi sehingga bersedia membayarkan harga BBM lebih tinggi dari harga sekarang dan setuju dengan kenaikan harga BBM.