28
4.4.6. Uji Kolinearitas Ganda Multicollinearity
Menurut Juanda 2009, salah satu asumsi dari model regresi ganda adalah bahwa tidak ada hubungan linear sempurna antar peubah bebas dalam model
tersebut. Jika hubungan tersebut ada, maka dapat dikatakan bahwa dalam model tersebut terdapat multikolinearitas. Deteksi adanya multikolinearitas dalam sebuah
model dapat dilakukan dengan membandingkan besarnya nilai koefisien determinasi R
2
dengan koefisien determinasi parsial antar dua peubah bebas r
2
. Kolinear ganda dapat dianggap tidak masalah apabila koefisien determinasi
parsial antar dua peubah bebas tidak melebihi nilai koefisien determinasi atau koefisien korelasi berganda antar semua peubah secara simultan. Namun
multikolinearitas dianggap sebagai masalah serius jika koefisien determinasi parsial antar dua peubah bebas melebihi atau sama dengan nilai koefisien
determinasi atau koefisien korelasi berganda antar semua peubah secara simultan.
Keterangan : VIF
: variance inflation factor Rj
2
: koefisien determinasi Masalah multicollinearity juga dapat dilihat langsung melalui output komputer,
dimana jika nilai VIF 10 maka tidak ada masalah multicollinearity.
4.4.7. Uji Heteroskedastisitas
Salah satu asumsi yang penting dalam model regresi linear klasik adalah bahwa kesalahan pengganggu ε
i
mempunyai varian yang sama, artinya Var ε
i
= Eε
i 2
= σ
2
untuk semua i, i = 1, β, …n. Asumsi ini disebut sebagai ............................................................................. .. 4.17
29 homoskedastisitas homoscedastic Supranto, 2004. Model yang tidak
memenuhi asumsi
tersebut dapat
dikatakan memiliki
penyimpangan. Penyimpangan terhadap faktor pengganggu sedemikian itu disebut dengan
heteroskedastisitas heteroscedasticity Firdaus, 2004, statistik ujinya adalah: F
hit
=
JKR 1 JKR 2
......................................................................................... …...
4.18 Keterangan:
JKR1 = Jumlah kuadrat regresi dari regresi anak contoh pertama JKR2 = Jumlah kuadrat regresi dari regresi anak contoh kedua
Jika tidak ada masalah heteroskedastisitas maka nilai F-hitung akan menuju 1. Masalah heteroskedastisitas masih dapat ditolerir jika F-hitung F
tabel dengan derajat bebas v1 = v2 = n-c-2k2 dimana n adalah jumlah contoh, c adalah jumlah contoh pemisah, dan k adalah jumlah parameter yang diduga.
4.4.8. Uji Autokorelasi
Autokorelasi adalah korelasi antar anggota seri observasi yang disusun menurut urutan waktu cross-section, atau korelasi pada dirinya sendiri
Supranto, 2004. Autokorelasi dapat terjadi apabila terdapat bias spesifikasi yaitu adanya variabel penting yang tidak dimasukkanke dalam model. Konsekuensi
autokorelasi adalah signifikansi, yang artinya uji Fdan uji t menjadi kurang kuat dan taksiran terlalu rendah. Pendeteksian autokorelasi dapat dilakukan dengan
metode grafik dan ujiDurbin-Watson uji DW. Nilai statisktik DW berada pada kisaran nilai 0 sampai 4. Jika nilainya mendekati 2 maka menunjukkan tidak ada
autokorelasi ordo kesatu, dan jika nilai DW lebih atau kurang dari 2 maka terdapat
30 autokorelasi. Untuk melihat ada tidaknya autokorelasi, gambar 3 berikut akan
menyajikan daerah keputusan autokorelasi.
Sumber: Juanda 2009
Gambar 3. Daerah Keputusan Autokorelasi
Selain itu, untuk mengetahui ada tidaknya autokorelasi pada suatu model dapat melihat Tabel 4 yang menunjukkan distribusi nilai DW dimana nilai
tersebut telah disusun oleh Durbin Watson untuk derajat keyakinan 95 dan 99.
Tabel 4. Selang Nilai Statistik Durbin-Watson serta Keputusannya
Nilai Durbin-Watson Kesimpulan
DW 1,10 Ada autokorelasi
1,10 DW 1,54 Tanpa kesimpulan
1,55 DW 2,46 Tidak ada autokorelasi
2,46 DW 2,90 Tanpa kesimpulan
DW 2,91 Ada autokorelasi
Sumber: Firdaus 2004
4.4.9. Analisis Surplus Ekonomi Perikanan Tuna Madidihang dengan