31
lahan untuk meningkatkan konservasi air dan memperbaiki struktur dan tekstur tanah. Penerapan penggunaan MOL dengan cara teknis masing-masing sesuai
dengan bahan yang ada dan merupakan suatu kebutuhan petani pelaku SRI setempat. Dan sistem pengendalian hama terpadu dilakukan dengan menggunakan
pestisida nabati yang tersedia di daerah masing-masing, hal ini dapat menimbulkan interaksi lingkungan yang baik atau terjadinya perputaran siklus
kehidupan.
4.5. Pengujian Asumsi-Asumsi Regresi
A. Pengujian Asumsi Regresi Cobb Douglas
Metode pendugaan model yang digunakan dalam penelitian ini adalah metode Cobb Douglas, sehingga agar model yang digunakan sesuai dengan
asumsi, maka dilakukan pengujian-pengujian Gujarati 1978. Pengujian asumsi tersebut sebagai berikut :
1. Peubah X
i
merupakan peubah non-stokastik fixed, artinya sudah ditentukan bukan peubah acak. Selain itu, tidak ada hubungan linear
sempurna antar peubah bebas X
i.
2. Normalitas Regresi linear normal klasik mengasumsikan bahwa tiap e
i
didistribusikan secara normal dengan |
[ ][
]
32
| [
]
Asumsi ini secara ringkas bisa dinyatakan sebagai e
i
~ N0, σ
2
Artinya komponen sisaan e
i
mempunyai nilai harapan sama dengan nol, tidak ada hubungan atau tidak ada korelasi antar sisaan e
i
, dan komponen sisa menyebar normal. Dengan probabilitas normal masing-
masing nilai pengamatan dipasangkan dengan nilai harapan pada distribusi normal. Normalitas terpenuhi apabila titik-titik data terkumpul di sekitar
garis. 3. Multikolinearitas
Multikolinearitas berarti adanya hubungan linear yang sempurna atau pasti, di antara beberapa atau semua variabel yang menjelaskan dari
model regresi. Situasi multikolinearitas sempurna adalah penyakit yang ekstrim. Biasanya tidak terdapat hubungan yang pasti atau eksak di antara
variabel X. Adanya kolinearitas seringkali diduga ketika R
2
tinggi dan korelasi derajat nol juga tinggi, tetapi tak satu pun atau sangat sedikit
koefisien regresi parsial yang secara individual pentingsignifikan secara statistik atas dasar pengujian t yang konvensional. Multikolinearitas
diidentifikasi dengan melihat VIF Variance Inflation Factor pada masing-masing variabel. Jika nilai VIF 10, maka terdapat masalah
multikolinearitas dalam model.
33
4. Heteroskedastisitas Salah satu asumsi dari model regresi linear adalah bahwa ragam
sisaan e
i
sama atau homogen, yang menunjukkan bahwa untuk masing- masing nilai peubah X, sebaran atau ragam disekitar garis regresi adalah
sama atau konstan. Jika ragam sisaan tidak sama untuk tiap pengamatan ke-i dari peubah-peubah bebas dalam model regresi, maka ada masalah
heteroskedastisitas. Hal ini dapat dilihat dengan metode grafik dari plot antara sisaan dengan nilai dugaan telah menunjukkan bahwa titik-titik
telah menyebar secara acak dan tidak membentuk pola. Selain itu, Heteroskedastisitas dapat diidentifikasi pula dengan melakukan pengujian
White, melalui sebaran Scale explained SS yang diregresi dengan variabel yang diuji, dimana jika nilai P alpha maka asumsi Homoskdastisitas
terpenuhi. White menyarankan bahwa jika heteroskdastisitas ragam sisaan berkolerasi dengan satu peubah seperti X dan X
2
untuk kemungkinan nonlinearitas.
5. Autokorelasi Salah satu asumsi dari model regresi linear adalah bahwa tidak ada
autokoelasi atau korelasi serial antara sisaan e
i
. Dengan pengertian lain, sisaan menyebar bebas untuk i ≠ j, dan dikenal juga sebagai bebas serial
serial independence. Jika antar sisaan tidak bebas untuk i ≠ j, maka
terdapat masalah korelasi. Istilah korelasi dapat juga didefinisikan sebagai korelasi antara anggota serangkain observasi yang diurutkan menurut waktu
atau ruang. Untuk mendeteksi ada atau tidaknya autokorelasi dapat menggunakan metode grafik atau uji Durbin-Watson DW. Akan tetapi
34
masalah autokorelasi ini pada umumnya terjadi pada data time series, sehingga pada penelitian ini tidak dilakukan karena data yang digunakan
merupakan data cross section.
B. Koefisien Determinasi Terkoreksi adjusted-R
2
Koefisien determinasi terkoreksi mempunyai karateristik yang diinginkan sebagai ukuran goodness of fit dari pada koefisien determinasi. Jika peubah baru
ditambahkan, R
2
selalu naik, tetapi adjusted-R
2
tidak tergantung pada jumlah peubah. Nilai koefisien determinasi berkisar antara nol dan satu. Jika nilai
koefisien determinasi semakin mendekati satu berarti semakin besar keragaman hasil pendapatan dapat dijelaskan oleh faktor-faktor yang mempengaruhinya.
C. Pengujian Parameter Secara Keseluruhan Uji-F
Menurut Bambang Juanda 2009 pengujian ini digunakan untuk mengetahui apakah variabel-variabel bebas yang digunakan dalam model
mempunyai pengaruh secara nyata terhadap variabel yang akan dijelaskan atau tidak. Pengujian hipotesa secara statistik menggunakan uji-F, yaitu :
F
hit
=
⁄ ⁄
Dimana, JKT
= Jumlah kuadrat tengah regresi JKG
= Jumlah kuadrat tengah galatsisa regresi n
= Jumlah pengamatan k
= Jumlah variabel bebas Jika,
H : data dari sampel yang sama
35
H
1
: data dari sampel yang berbeda dengan menggunakan kriteria keputusan sebagai berikut :
F
hit
F
tabel
k-1 ; n-k maka tolak H F
hit
F
tabel
k-1 ; n-k maka terima H Hal ini berarti, jika H
ditolak maka model dugaan dapat digunakan untuk diramalkan hubungan antara variabel tak bebas dengan variabel penjelas pada
tingkat signifikan atau tingkat kepercayaan tertentu α .
D. Pengujian Parameter Secara ParsialIndividu Uji-t
Menurut Bambang Juanda 2009 pengujian uji-t dilakukan untuk mengetahui apakah variabel-variabel bebas yang digunakan satu per satu
berpengaruh nyata secara statistik terhadap besarnya variabel tak bebas. Pengujian ini dapat dirumuskan sebagai berikut :
t
hit
= Dimana,
b
i
= nilai koefisien regresi dugaan Sb
i
= simpangan baku koefisien dugaan d
= batasan yang diharapkan Adapun kriteria penarikan kesimpulan pada pengujian hipotesis tersebut adalah :
t
hit
t
tabel
α ; n-k atau p-value output komputer α maka tolak H t
hit
t
tabel
α ; n-k atau p-value output komputer α maka terima H Jika H
ditolak, artinya adalah variabel yang digunakan berpengaruh secara nyata terhadap variabel tak bebas. Sebaliknya, jika H
diterima, maka variabel yang digunakan tidak berpengaruh secara nyata.
36
4.6. Definisi Operasional
