Uji Normalitas METODE PENELITIAN

3.3. Uji Normalitas

Model regresi harus memenuhi asumsi Classical Normal Linear Regression Model yaitu uji kenormalan. Uji normalitas secara kuantitatif pada umumnya diuji dengan Jarque-Berra Test. Uji ini didasarkan pada residual OLS dengan cara mengukur perbedaan dari skewness dan kurtosis. Secara matematis dapat ditulis sebagai berikut: ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ − + − = 4 3 6 Bera Jarque 2 2 K S k N 3.6 dimana: S = Skewness K = Kurtosis k = Jumlah dari koefisien estimasi yang digunakan dalam model Hipotesis nol menyatakan residual terdistribusi secara normal dengan derajat bebas sebesar dua. Jika nilai perhitungan probabilitas dari statistik Jarque Bera cukup rendah atau nilai statistik Jarque Bera berbeda dengan nol maka hipotesis yang menyatakan residual terdistribusi secara normal ditolak. Namun, jika perhitungan probabilitas cukup tinggi atau nilai statistik Jarque Bera nol maka hipotesis yang menyatakan residual terdistribusi secara normal tidak ditolak Manurung, Manurung, dan Saragih, 2005 3.4. Kriteria Statistik Pengujian hipotesis secara statistik bertujuan untuk melihat nyata tidaknya pengaruh variabel yang dipilih terhadap variabel-variabel yang diteliti. Pengujian statistik yang dimaksud meliputi uji t, uji F, dan uji koefisien determinasi R 2 . 1. Uji t-Statistik Nilai t-hitung digunakan untuk menguji secara statistik apakah koefisien regresi dari masing-masing variabel bebas L, K, R, E, TFP yang dipakai secara terpisah berpengaruh nyata atau tidak terhadap variabel tidak bebas Y. Untuk menguji hipotesis mengenai signifikansi dari masing-masing koefisien secara individual dilakukan uji t-statistik dengan langkah-langkah sebagai berikut: Hipotesis: H : β i = 0 H 1 : β i ≠ 0 Uji statistik yang digunakan adalah uji t: hitung - t i S bi i S bi i S bi i β β β β = − = − = ; n-k-1, t α2 3.7 dimana: β i = Nilai koefisien regresi dugaan b i = Nilai koefisien α dan β S β i = Standard error untuk β i n = Jumlah pengamatan k = Jumlah variabel bebas dalam model tanpa konstanta i = 1,2,3,…,k Kriteria uji yang digunakan adalah: ƒ Jika t-hitung ≤ t α2 maka terima H , artinya variabel bebas yang diuji tidak berpengaruh nyata terhadap variabel tidak bebas. ƒ Jika t-hitung t α2 maka tolak H , artinya variabel bebas yang diuji berpengaruh nyata terhadap variabel tidak bebas. 2. Uji F-Statistik Nilai F-hitung digunakan untuk menguji signifikansi model secara menyeluruh. Maksudnya, membuktikan apakah variabel bebas L, K, R, E, TFP yang digunakan secara bersama-sama berpengaruh nyata terhadap variabel tidak bebas Y. Dengan kata lain, mengetahui apakah model penduga yang digunakan sudah layak untuk menduga variabel dalam model. Pengujian terhadap model penduga secara statistik sebagai berikut: Hipotesis: H : α = β = 0 H 1 : α ≠ β ≠ 0 Uji statistik yang digunakan adalah uji F: 1 1 hitung - F 2 2 − − − = k n R k R 3.8 dimana: R 2 = Koefisien determinasi k = Jumlah variabel bebas pada model tanpa konstanta n = Jumlah pengamatan α = Taraf nyata i = 1,2,3,…,k Kriteria uji yang digunakan adalah: ƒ Jika F-hitung F α k, n-k-1 maka terima H , artinya secara bersama-sama variabel bebas L, K, R, E, TFP dalam proses produksi tidak berpengaruh nyata terhadap variabel tidak bebas Y. ƒ Jika F-hitung F α k, n-k-1 maka tolak H , artinya secara bersama-sama variabel bebas L, K, R, E, TFP dalam proses produksi mempunyai pengaruh nyata terhadap variabel tidak bebas Y. 3. Uji Koefisien Determinasi R 2 Nilai koefisien determinasi R 2 digunakan untuk mengukur keragaman variabel tidak bebas Y yang dapat diterangkan oleh variabel bebas L, K, R, E, TFP sebagai predetermined variables. Koefisien determinasi R 2 dapat dirumuskan sebagai berikut: JKT JKG JKT JKR − = = 1 R 2 3.9 dimana: R 2 = Koefisien determinasi JKR = Jumlah Kuadrat Regresi JKT = Jumlah Kuadrat Total JKG = Jumlah Kuadrat Galat Koefisien determinasi ini memiliki dua sifat, diantaranya R 2 merupakan besaran non negatif dan besarnya adalah 0 ≤ R 2 ≤ 1 Gujarati, 1993. Jika R 2 sebesar satu berarti suatu kecocokan sempurna, Sedangkan jika nilainya nol dapat dikatakan tidak ada hubungan antara variabel tak bebas dengan variabel bebas. Nilai R 2 akan bertambah tinggi dengan semakin bertambahnya jumlah variabel bebas. Semakin dekat nilai R 2 dengan satu dapat dikatakan model tersebut semakin baik karena semakin dekat hubungan antara variabel bebas dengan variabel tidak bebas, demikian pula sebaliknya.

3.5. Kriteria Ekonometrika