39 g Pendidikan nelayan berpengaruh positif terhadap pendapatan nelayan
h Alat tangkap berpengaruh positif terhadap pendapatan nelayan i Kepemilikan alat tangkap berpengaruh positif terhadap pendapatan
nelayan j Keikutsertaan dalam organisasi nelayan berpengaruh positif terhadap
pendapatan nelayan k Harga ikan berpengaruh positif terhadap pendapatan nelayan
l Harga bahan bakar berpengaruh negatif terhadap pendapatan nelayan m Jumlah ikan yang didaratkan berpengaruh positif terhadap pendapatan
nelayan n Suhu udara berpengaruh negatif terhadap pendapatan nelayan
o Curah hujan berpengaruh negatif terhadap pendapatan nelayan p Tinggi gelombang berpengaruh negatif terhadap pendapatan nelayan
q Jumlah hari melaut berpengaruh positif terhadap pendapatan nelayan
4.5.5 Uji Kesesuaian Goodness of Fit
Uji kesesuaian dilakukan untuk mengukur besarnya keragaman faktor- faktor yang mempengaruhi pendapatan nelayan terhadap variasi naik turunnya
pendapatan nelayan secara bersama-sama. Nilai R
2
dapat diketahui dari hasil output minitab pengolahan data regresi faktor-faktor yang mempengaruhi
pendapatan nelayan. Makin dekat R
2
dengan satu, makin cocok garis regresi untuk meramalkan Y.
4.5.6 Uji Penyimpangan Asumsi
Penyimpangan asumsi yang pertama adalah multikolinearitas. Multikolinearitas dapat diketahui dengan melihat ciri-ciri yang pertama :
40 kolinearitas sering dapat diduga jika R
2
cukup tinggi antara 0,7-1 dan jika koefisien korelasi sederhana juga tinggi, tetapi tidak satupun atau sedikit sekali
koefisien regresi parsial yang signifikan secara individu. Cara Lain untuk mengetahui multikolinearitas adalah melihat nilai VIF Variance Influence
Factor. Jika nilai VIF lebih dari 10 mengindikasikan terjadi multikolinearitas. Untuk menanggulangi multikolinearitas, ada beberapa cara yang dapat
digunakan. Yang pertama adanya informasi sebelumnya mengenai variabel yang diteliti, menghubungkan data cross sectional dengan data time series,
mengeluarkan satu variabel atau lebih, mentransformasi variabel, penambahan data baru, atau dengan backward combination analysis.
Penyimpangan asumsi yang kedua adalah heteroskedastisitas. Langkah- langkah yang dilakukan untuk melihat apakah terdapat pelanggaran asumsi
dengan uji White White Test. Tahapannya adalah menghitung koefisien determinasi R
2
dan dikalikan dengan jumlah observasi n. Kemudian bandingkan nilai tersebut dengan nilai X
2
yang diperoleh dari tabel Chi Square. Nilai R
2
yang lebih besar daripada X
2
menunjukkan terdapat heteroskedastisitas pada model.
Penyimpangan asumsi yang terakhir adalah autokorelasi. Uji ada tidaknya autokorelasi yang paling banyak digunakan adalah Uji Durbin Watson Uji DW.
Uji ini dapat dilakukan bagi sembarang sampel, baik besar atau kecil. Langkah uji hipotesisnya yang pertama tentukan hipotesis nol dan alternatifnya. Hipotesis
nolnya adalah variabel gangguan tidak mengandung autokorelasi dan hipotesis alternatifnya adalah variabel gangguan mengandung autokorelasi. Setelah itu
hitung besarnya nilai statistik DW dengan rumus :
41 DW
= .......................19
Langkah selanjutnya adalah membandingkan nilai statistik DW dengan nilai teoritik DW. Untuk ρ 0 autokorelasi positif:
1. Jika DW ≥ d
u
dengan df n – K - 1. H diterima jadi ρ= 0 berarti tidak ada
autokorelasi pada model itu. 2. Jika DW ≤ d
L
dengan df n – K - 1. H ditolak jadi ρ≠ 0 berarti ada
autokorelasi positif pada model itu. 3. Jika d
L
DW d
u
, uji itu hasilnya tidak konklusif, sehingga tidak dapat ditentukan apakah terdapat autokorelasi atau tidak pada model itu.
Untuk ρ 0 autokorelasi negatif: 1. Jika 4 – DW
≥ d
u
. H diterima jadi ρ= 0 berarti tidak ada autokorelasi pada
model itu. 2. Jika 4 – DW ≤ d
L
. H ditolak jadi ρ≠ 0 berarti ada autokorelasi positif
pada model itu. 3. Jika d
L
4 – DW d
u
, uji itu hasilnya tidak konklusif, sehingga tidak dapat ditentukan apakah terdapat autokorelasi atau tidak pada model itu.
42
V. GAMBARAN UMUM
