Gambar 5 : Kurva Distribusi F
Daerah penolakan
Daerah penerimaan F
Sumber: Soelistyo, 2001, Dasar – dasar Ekonometrika, BPFE, Yogyakarta, Jakarta, hal. 326
Kaidah pengujiannya: 1. Apabila F
hitung
≤ F
table
, maka Ho diterima dan Hi ditolak, artinya variabel bebas secara keseluruhan tidak mempengaruhi variabel
terikat. 2. Apabila F
hitung
F
tabel
maka Ho ditolak dan Hi diterima. Artinya variabel bebas secara keseluruhan mempengaruhi variabel terikat.
2. Uji t
Uji t dipergunakan untuk menguji pengaruh variabel bebas secara parsial terhadap variabel terikat.
Uji t dapat dihitung dengan rumus sebagai berikut : t
hitung
=
i
Nachrowi dan Usman, 2006 : 19 . Se
Merumuskan hipotesis sebagai berikut : Ho :
i
= 0 tidak terdapat pengaruh variabel bebas terhadap variabel terikat
Hi :
i
0 ada pengaruh variabel bebas terhadap vriabel terikat Derajat kebebasan sebesar n-k-l, dalam persamaan tersebut :
Dimana :
= Koefisien Regresi Se = Standart Error
n = Jumlah sampel
k = Jumlah parameter regresi
Gambar 6 : Kurva Distribusi t
Ho ditolak Daerah penerimaan Ho ditolak Ho
-t 2 ; n-k-l t 2 ; n-k-l
Sumber: Widarjono, Agus. 2005, Ekonometrika, Teori dan Aplikasi, Edisi Pertama, Ekonosia FE UII, Yogyakarta, hal. 59.
Kaidah pengujiannya : 1.
Bila t
hitung
≤ t
table,
maka Ho diterima dan Hi ditolak, yang artinya secara parsial tidak ada pengaruh variabel bebas terhadap variabel
terikat. 2.
Bila t
hitung
t
table
, maka Ho ditolak dan Hi diterima, yang artinya secara parsial variabel bebas mempengaruhi variabel terikat.
Untuk mengetahui apakah model analisis tersebut layak digunakan dalam pembuktian selanjutnya dan untuk mengetahui sejauh mana variabel
bebas mampu menjelaskan variabel terikat maka perlu diketahui nilai adjusted R
2
atau koefisien nilai determinasi dengan menggunakan rumus: Jadi R
2
= JK Regresi ……………… Sulaiman, 2004 : 86 . JK Total
Dimana : R
2
= koefisien determinasi JK total = jumlah kuadrat
Karateristik utama dari R
2
adalah : a.
Tidak mempunyai nilai negatif b.
Nilainya berkisar antara 0 nol dan 1 satu atau 0 R
2
1
3.6. Pendekatan Asumsi BLUE Best Linear Unbiased Estimator
Tujuan utama penggunaan uji asumsi klasik adalah untuk mendapatkan koefisien regresi yang terbaik linier dan tidak bias BLUE, karena apabila
terjadi penyimpangan terhadap asumsi klasik tersebut, uji t dan uji F yang dilakukannya menjadi tidak valid dan secara statistik dapat mengacaukan
kesimpulan yang diperoleh. Sifat dari BLUE itu sendiri adalah: a. Best
: Pentingnya sifat ini bila diterapkan dalam uji signifikan data terhadap
dan b. Linier
: Sifat ini dibutuhkan untuk memudahkan dalam penafsiran. c. Unbiased : Nilai jumlah sampel sangat besar penaksir parameter diperoleh
dari sampel besar kira-kira lebih mendekati nilai parameter sebenarnya.
d. Estimasi : e diharapkan sekecil mungkin.
Yang diasumsikan tidak terjadi pengaruh antara variabel bebas atau regresi bersifat BLUE Best Linier Unbiased Estimator, artinya koefisien
regresi pada persamaan tersebut betul-betul linier dan tidak bias atau tidak terjadi penyimpangan-penyimpangan persamaan, seperti :
a Multikolinearitas
Identifikasi secara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung varience inflation factor VIF. Rumusnya
adalah VIF= 11-R
2
VIF Varience inflation factor menyatakan tingkat “pembengkakan” varians. Apabila VIF Varience inflation factor lebih besar dari 10, hal ini
berarti terdapat multikolinier pada persamaan regresi linier. Pendeteksian multikolinier yang berikutnya adalah dengan mudah antara variabel bebas
yang terjadi korelasi.
b Autokorelasi
Yang dimaksud dengan autokorelasi yaitu keadaan dimana kesalahan pengganggu dalam suatu periode tertentu berkorelasi dengan kesalahan
pengganggu periode yang lain, pengujian autokorelasi dilakukan dengan menggunakan uji statistik Durbin Watson.
t=n
e
t
– e
t--1 2
DW=
t = 2
Widarjono, 2005 : 181 .
t=n
e
t
2
t = 1
Dimana : e
t
adalah residual perbedaan variabel tak bebas yang sebenarnya dengan variabel tak bebas yang ditaksir dari setiap periode
waktu. Sedangkan e
t-1
adalah residual dari waktu sebelumnya.
Untuk mengetahui ada tidaknya gejala autokorelasi maka perlu dilihat table kriteria pengujian Durbin Watson Uji DW.
Gambar 7 : Statistik d Durbin-Watson
2 4
Menolak Ho Bukti
Autokorelasi Positif
Menolak Ho
Bukti Autokorelasi
Negatif
Menerima Ho atau Ho Atau kedua-duanya
d
Daerah keragua-
raguan Daerah
keragua- raguan
d
L
d
U
4 – d
U
4 – d
L
d
Sumber: Suliyanto, 2005, Analisis Data Dalam Aplikasi Pemasaran, Ghalia Indonesia, hal. 86.
c Heterokedastisitas
Pengujian heterokedastisitas dilakukan untuk melihat apakah ada kesalahan pengganggu mempunyai varian yang sama atau tidak. Hal
tersebut dilambangkan sebagai : E Ui
2
=
2
Suliyanto, 2005 : 115 . Dimana :
2
= varian i = 1, 2, 3, …n
Apabila didapat varian yang sama maka asumsi homokedastisitas penyebaran yang sama diterima.
