2. H
ditolak dan H
1
diterima apabila F hitung F tabel, artinya variabel independen secara bersama – sama berpengaruh secara signifikan terhadap
variabel dependen.
3.2.6.3. Uji Koefisien Determinasi R
2
Koefisien determinasi R
2
digunakan untuk mengetahui besarnya daya menerangkan dari variabel independen terhadap variabel dependen pada model
tersebut. Nilai R
2
berkisar antara 0 R
2
1 sehingga kesimpulan yang diambil adalah:
• Nilai R
2
yang kecil atau mendekati nol, berarti kemampuan variabel- variabel bebas dalam menjelaskan variabel-variabel tak bebas sangat
terbatas. • Nilai R
2
mendekati satu, berarti variabel-variabel bebas memberikan hampir semua informasi untuk memprediksi variasi variabel tak bebas.
Dalam penelitian ini berarti, bila nilai R
2
memberikan hasil yang mendekati angka 1 , artinya kualitas lingkungan yang ditinjau dari tingkat emisi
CO
2
, CH
4
, dan N
2
O dapat dijelaskan dengan baik oleh variasi variabel independen GDPI dan atau GDPI
2
, GDPP dan atau GDPP
2
. Sedangkan sisanya 100 - nilai R
2
dijelaskan oleh sebab-sebab lain diluar model.
3.2.7. Uji Ekonometrika
3.2.7.1. Uji Autokorelasi
Istilah autokorelasi bisa didefinisikan sebagai korelasi di antara anggota observasi yang diurut menurut waktu seperti data deret berkala atau ruang
seperti data lintas sektoral. Autokorelasi biasanya berhubungan dengan data deret berkala time series walaupun memungkinkan terdapat pada data cross
section. Uji yang paling dikenal untuk pendeteksian autokorelasi adalah uji yang
dikembangkan oleh Durbin dan Watson, yang populer dikenal sebagai statistik d Durbin-Watson DW Test. Pengujian dengan DW Test hanya digunakan untuk
autokorelasi tingkat satu first order autocorrelation dan mensyaratkan adanya intercept konstanta dalam model regresi dan tidak ada variabel lag diantar
variabel independen. Hipotesis yang akan diuji adalah:
H : tidak ada autokorelasi r = 0
H
1
: ada autokorelasi r ≠ 0
Tabel 3.2. Uji d Durbin-Watson: Aturan Keputusan Hipotesis nol
Keputusan Nilai DW
Tidak ada autokorelasi positif Tidak ada autokorelasi positif
Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif
Tidak ada autokorelasi positif atau negatif
Tolak Tidak ada keputusan
Tolak Tidak ada keputusan
Tidak ditolak 0 d d
L
d
L
≤ d ≤ d
U
4 - d
L
d 4 4 - d
U
≤ d ≤ 4 - d
L
d
U
d 4 - d
U
Sumber: Gujarati, 2003
3.2.7.2. Uji Heterokedastisitas
Suatu asumsi kritis dari model regresi linear klasik adalah bahwa gangguan u
i
semuanya mempunyai varians yang sama. Jika asumsi ini tidak dipenuhi, maka mempunyai heteroskedasitas. Heteroskedasitas tidak merusak
sifat ketidakbiasan dan konsistensi dari penaksir OLS. Tetapi penaksir ini tidak lagi mempunyai varians minimum atau efisien . Dengan perkataan lain, sehingga
tidak lagi memenuhi asumsi BLUE. Untuk mendeteksi ada tidaknya pelanggaran ini dengan menggunakan
White Heterocdasticity Test Gujarati, 2003. Nilai probabilitas ObsR-squared dijadikan sebagai acuan untuk menolak atau menerima H
. Hipotesis yang akan diuji:
H : homoskedastisitas
H
1
: heteroskedastisitas Kriteria pengujiannya adalah:
1. Probabilitas ObsR-squared taraf nyata , maka tolak H
2. Probabilitas ObsR-squared taraf nyata , maka terima H
Uji heteroskedastisitas dapat dilakukan dengan uji grafik plot dan uji statistik. Uji grafik plot yang digunakan dengan melihat grafik plot antara nilai
prediksi variabel terikat yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola
tertentu pada scatterplot antara SRESID dan ZPRED. Uji statistik yang digunakan adalah uji Glejser. Uji Glejser dilakukan
dengan meregresikan nilai absolute residualnya terhadap variabel independen Gujarati, 2003. Jika variabel independen signifikan secara statistik
mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas.
3.2.7.3. Uji Normalitas
