2. Untuk mengatur besarnya persentase dari jumlah variasi Y yang diterapkan oleh model regresi atau dengan kata lain untuk mengukur suatu sumbangan
dari variabel bebas X1 sampai dengan X4 terhadap variabel terikat Y.
Nilai R
2
terletak antara 0 dan 1 0R
2
1 R
2
= Sudrajat,1998:84 Dimana :
JK = Jumlah kuadrat
R
2
= Koefisien determinasi
3.4.2 Uji Hipotesa
Uji hipotesis yang digunakan dalam penelitian ini ada dua cara, yaitu :
a. Uji F
Untuk menguji pengaruh variabel bebas terhadap variabel tidak bebas, maka menggunakan rumus :
F
hitung
= Gujarati,1999:101 Dengan ketentuan:
Hi : β
1
≠β
2
≠β
3
≠β
4
≠0 ada pengaruh Ho :
β
1
= β
2
= β
3
= β
4
=0 tidak ada pengaruh Derajat bebas = k,n-k-1
n = Jumlah sampel
k = Jumlah bebas
Gambar 1 : Daerah kritis Ho melalui kurva distribusi f
Sumber :Supranto, j, 1994, Statistik-teori dan aplikasi, edisi 5, penerbit Erlangga, hal 120
Keputusannya adalah : 1. Apabila
F
hitung
F
tabel
,maka Ho ditolak dan Hi diterima, artinya secara simultan terdapat pengaruh yang nyata antara variabel bebas terhadap
variabel terikat. 2. Apabila
F
hitung
≤F
tabel,
maka Ho diterima dan Hi ditolak, artinya secara simultan tidak terdapat pengaruh yang nyata antara variabel bebas antara
variabel terikat.
b. Uji t
Untuk menguji pengaruh secara parsial antara variabel bebas terhadap variabel tidak bebas dengan menggunakan rumus :
f
hitung
= Gujarati,1999:103 Dimana :
Β
1
= Koefisien regresi
S
e
= Standar error k
= jumlah variabel bebas n
= jumlahsampel Ho :
β
o
= 0 tidak ada pengaruh Hi :
β
o
≠ 0 ada pengaruh Derajat bebas = n-k-1
Gambar 2 : Daerah kritis Ho melalui kurva distribusi t
Sumber : Supranoto, j, 1994, Statistik-teory dan Aplikasi, penerbit Erlangga, jakarta, hal :379
Keputusannya adalah : 1. Jika
t
hitung
t
tabel
atau –t
hitung
-t
tabel
, maka Ho ditolak dan Hi diterima, artinya ada pengaruh antara variabel bebas dengan variabel terkait.
2. Jika -t
tabel
≤ t
hitung
≤t
tabel
, maka Ho diterima dan Hi ditolak, artinya tidak ada pengaruh antara variabel bebas dengan variabel terikat.
3.4.3 Uji Blue Best Linier Unbiased Estimator
Persamaan regresi diatas harus bersifat Blue Best Linier Unbiased Estima- tor , artinya pengambilan keputusan melelui uji F dan uji t tidak boleh bias.
Untuk menguji model tersebut apakah sudah termasuk blur atau tidak maka dapat dilakukan beberapa asumsi dasar yang harus dipenuhi oleh regresi
linier berganda, antara lain :
a. Autokorelasi
Autokorelasi dapat didefinisakan sebagai korelasi antar data observasi yang diurutkan berdasarkan urut waktu tertentu. Atau data yang diambil pada waktu
tertentu . Jadi model regresi linier diasumsikan tidak terdapat gejala aoutokorelasi, artinya nilai residual Y observasi – Y prediksi pada waktu ke-
t tidak boleh ada hubungan dengan residual periode sebelumnya e t-1. Untuk mendeteksi adanya autokorelasi adalah dengan menghitung besaran durbin
watson:
Angka D-W dibawah - 2 berarti ada autokorelasi positif
Angka D-W diantara – 2 sampai +2 berarti tidak ada autokorelasi
Angka D-W diatas + 2 berarti ada autokorelasi.
Sumber :Gujarati, Damandor, diterjemahkan oleh Sumarno Zain, 1999,
Ekonometrika Dasar, Erlangga, Jakarta, Hal 216
c. Multikolinieritas
Penyimpangan asumsi model klasik yang kedua multikolinieritas, yang bertujuan untuk menguju apakah model regresi ditemukan adanya kerelasi
antar variabel bebas . Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas saling berkorelasi, maka variabel itu
ortogonal. Variabel ortogonal adalah variabel bebas nilai korelasi antar sesama variabel bebas sama dengan nol 0. Salah satu cara untuk
mengilngkan adanya multikolinieritas adalah dengan melihat toleran dan nilai variabel dan nilai variabel inflstion factor VIF.
VIF = 11 – R
2
VIF menyatakan tingkat”pembengkakan”Varians untuk mendeteksi adanya Multikolinieritas adalah besaran VIF dan toleransi
o Jika VIF 10, maka terjadi multikolinieritas.
o Jika VIF 10, mana tidak terjadi multikolinieritas.
d. Heterokesdasitas
