BAB III METODOLOGI PENELITIAN
1.1. Penentuan Variabel dan Devinisi Operasional Variabel Variabel penelitian merupakan konsep yang dapat diukur dengan berbagai macam nilai untuk memberikan gambaran yang nyata mengenai fenomena yang diteliti. Penelitian ini menggunakan dua variabel yaitu variabel independent dan variabel dependent. 1. Variabel Dependent Variabel dependent dalam penelitian adalah Indeks Kota Cerdas yang diperoleh dari penyusunan indeks sub indeks ekonomi, modal manusia, pemerintahan, lingkungan, mobilitas dan kualitas hidup. Berikut adalah tabel pembobotan indeks kota cerdas yang akan dilakukan:
Tabel 3.1. Pembobotan Indeks Kota Cerdas Sub-indeks
Proxy
Pembobotan
Pembobotan
dalam sub-
untuk sub-
indeks
indeks
Ekonomi
Tingkat pengangguran (%)
16,67%
1/6
Manusia
Tingkat pendidikan (skala)
16,67%
1/6
Berlanjut ke halaman 52
51
Lanjutan Tabel 3.1. Pembobotan Indeks Kota Cerdas Pemerintahan Opini
BPK
terhadap 16,67%
1/6
pengelolaan keuangan (skala) Mobilitas
Akses
terhadap
sistem 16,67%
1/6
transportasi publik (skala) Lingkungan
Kepadatan
penduduk 16,67%
1/6
(jiwa/km2) Kualitas
Penetrasi Internet (%)
16,67%
1/6
Hidup Sumber: Szczech diolah, 2016
2. Variabel Independent a. Produk Domestik Regional Bruto (PDRB) Produk Domestik Regional Bruto (dalam bps.go.id) merupakan salah satu indikator penting untuk mengetahui kondisi ekonomi di suatu daerah dalam suatu periode tertentu, baik atas dasar harga berlaku maupun atas dasar harga konstan. PDRB pada dasarnya merupakan jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu daerah tertentu, atau merupakan jumlah nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi pada suatu daerah. Dalam penelitian ini Produk Domestik Regional Bruto yang digunakan adalah menurut harga konstan yang dinyatakan dalam miliar rupiah.
52
b. Indeks Pembangunan Manusia (IPM) Indeks Pembangunan Manusia merupakan suatu indeks untuk mengukur pembangunan kualitas dan kuantitas tenaga kerja di suatu daerah yang mencakup tiga bidang pembagian manusia yang dianggap sangat mendasar yaitu kesehatan yang diukur dari rata-rata usia harapan hidup, pengetahuan dan pendidikan yang diukur dari ratarata lama sekolah dan angka melek huruf dan standar hidup layak secara keseluruhan (dalam bps.go.id). Dalam konteks penelitian ini, Indeks Pembangunan Manusia diberlakukan sebagai variabel sosial dengan cara mengeluarkan sub indeks
Pengeluaran
Per
Kapita,
sehingga
hanya
memperhitungkan sub indeks Kesehatan (Angka Harapan Hidup) dan sub indeks Pendidikan (Harapan Lama Sekolah dan Rata-rata Lama Sekolah). Indeks Pembangunan Manusia diukur berdasarkan skala perolehan AHH, HLS dan RLS (Lampiran 6).
c. Indeks Pencemaran Udara (IPU) Indeks Standar Pencemar Udara adalah angka yang tidak mempunyai satuan yang menggambarkan kondisi kualitas udara ambien di lokasi dan waktu tertentu yang didasarkan kepada dampak terhadap kesehatan manusia, nilai estetika dan makhluk hidup lainnya. Indeks Standar
53
Pencemar Udara ditetapkan dengan cara mengubah kadar pencemar udara yang terukur menjadi suatu angka yang tidak berdimensi (Statistik Lingkungan Hidup Indonesia, 2015).
3.2. Jenis dan Sumber Data Data yang digunakan merupakan data cross section (data silang) merupakan data yang terdiri dari satu objek namun memerlukan sub objeksub objek lainnya yang berkaitan atau yang berada di dalam objek induk tersebut pada suatu waktu. Dalam penelitian ini periode waktu yang dianalisis adalah tahun 2014 dan melibatkan 33 kota yang dijadikan sampel. Data yang digunakan merupakan data sekunder yaitu data yang diperoleh dari sumber kedua atau sumber sekunder yang diambil dari data yang tersedia tahun 2014. Dimana data yang sesuai dengan penelitian ini didapatkan melalui website BPS kota terkait, BPK, APJII, IGI, BAPPEDA kota terkait, laporan Bank Indonesia, buku yang terkait, jurnal, media online, dan lain sebagainya. Pemilihan
tersebut
penulis
lakukan
berdasarkan
berbagai
pertimbangan yang cukup menguatkan, diantaranya yaitu: 1. 33 kota tersebut merupakan ibukota provinsi sehingga dijadikan pusat dari segala aktivitas dan kegiatann sehari-hari, dan juga mengatur dan mengendalikan segala proses pemerintahan, ekonomi, sosial maupun budaya dari kota-kota lain yang ada dalam satu provinsi.
54
2. Merupakan kota-kota yang dijadikan tolak ukur dalam menilai keberhasilan suatu provinsi dalam meningkatkan kinerjanya dan untuk menilai seberapa besar kontribusi yang dapat diberikan bagi Indonesia. 3. Tersedianya sarana dan prasarana publik dari pemerintah yang sudah cukup memadai bagi seluruh masyarakatnya. Hal tersebut dapat terlihat dari ketersediaan sarana listrik, air bersih, drainase, sanitasi, jaringan telepon, pengelolaan sampah yang mana semuanya dipergunakan dengan semestinya dan juga ketersediaan prasarana jalan kota, pelabuhan, terminal, stasiun, bandara, telekomunikasi yang sangat membantu dan menunjang perkembangan masyarakat yang tinggal disana.
3.3. Metode Penentuan Sampel Metode pemilihan sampel data yang akan digunakan dalam penelitian harus sesuai dengan penentuan variabel-variabel dalam persamaan model dasar tersebut di atas, yaitu data kuantitatif yang merupakan data-data sekunder dari data cross section tahun 2014 dari masing-masing variabel Produk Domestik Regional Bruto (Variabel Ekonomi), Indeks Pembangunan Manusia (Variabel Sosial) dan Indeks Pencemaran Udara (Variabel Lingkungan) di masing-masing 33 kota.
55
3.4. Estimasi Pemilihan Fungsi Model Empiris Dalam melakukan analisis terhadap penelitian ini, penulis menggunaakan analisis regresi linear berganda. Model dasar dari persamaan estimasi Ordinary Least Square (OLS). Untuk mendapatkan model terbaik dalam penelitian, maka dalam melakukan suatu studi empiris, sebaiknya model yang akan digunakan diuji terlebih dahulu. Aisiyah, 2007 menjelaskan mengenai cara mengestimasi model dengan menggunakan metode MWD (Mackinnon, White, and Davidson). Metode ini bertujuan untuk mencari model yang terbaik dalam model estimasi, apakah linear atau non linear. Langkah awal yang harus dilakukan yaitu membuat dua model regresi seperti berikut: a. Melakukan regresi persamaan linier kemudian diperoleh nilai fitted dari Y yang diberi nama dengan yf. b. Melakukan regresi persamaan log-linier kemudian diperoleh nilai fitted dari LOGY yang diberi nama dengan lyf. c. Mencari nilai Z1 dengan mengurangkan nilai log dari yf dengan nilai fitted lyf (Z1 = Log(yf)-lyf). d. Mencari nilai Z2 dengan mengurangkan nilai antilog dari lyf dengan nilai yf (Z2 = Exp(lyf)-yf). e. Melakukan regresi persamaan linier dengan menambahkan variabel Z1 sebagai variabel penjelas. f. Melakukan regresi persamaan log-linier dengan menambahkan variabel Z2 sebagai variabel penjelas.
56
Model bentuk linier dan model bentuk log-linier yang akan diuji menggunakan MWD adalah sebagai berikut: Ho
: Model Linier Y = β 0 + β 1X1 + β2X2 + β3X3 + µ ............................................. (3.1)
Ha
: Model Log-linier Log(Y) = β 0 + β 1Log(X1) + β 2Log(X2) + β 3Log(X3) + µ ...... (3.2)
Hipotesis pada pengujian ini untuk model linier adalah apabila Z1 signifikan secara statistik, maka Ho (model linier) ditolak. Sedangkan apabila Z1 tidak signifikan secara statistik, maka Ho (model linier) diterima. Berlaku pula untuk pengujian model log-linier, apabila Z2 signifikan secara statistik, maka Ha (model log-linier) ditolak. Sedangkan apabila Z2 tidak signifikan secara statistik, maka Ha (model log-linier) diterima.
3.5. Metode Analisis Data Data–data yang telah dikumpulkan akan dianalisis dengan model regresi berganda atau Ordinary Least Square (OLS) serta analisis regresinya menggunakan program EViews 8. Analisis regresi tersebut digunakan untuk menilai apakah variabel tidak bebas dalam hal ini kemajuan teknologi akan sangat dipengaruhi oleh variabel bebasnya yang terdiri atas Produk Domestik Regional Bruto (Aspek Ekonomi), Indeks Pembangunan Manusia (Aspek Sosial) dan Indeks Pencemaran Udara (Aspek Lingkungan). Analisis
57
regresi berganda OLS tersebut digunakan juga untuk menguji model awal dan menentukan model persamaan yang paling baik. Model persamaan yang paling baik akan dipilih, sehingga dari model persamaan tersebut dapat digunakan untuk menentukan berapa besar pengaruh Produk Domestik Regional Bruto (Aspek Ekonomi), Indeks Pembangunan Manusia (Aspek Sosial), dan Indeks Pencemaran Udara (Aspek Lingkungan). Oleh karena itu, pemilihan model log linier berikut berdasarkan uji MWD dengan hasil regresi yang lebih baik dibandingkan model linier. Persaman estimasi OLS yang digunakan adalah sebagai berikut:
Log(Y) = β 0 + β 1Log(X1) + β 2Log(X2) + β 3Log(X3) + µ ................. (3.3)
Dimana: (Log)Y
: Logaritma Indeks Kota Cerdas
(Log)X1
: Logaritma Aspek Ekonomi (PDRB)
(Log)X2
: Logaritma Aspek Sosial (IPM)
(Log)X3
: Logaritma Aspek Lingkungan (Indeks Pencemaran Udara)
β0
: Konstanta
β 1, β2, β3
: Koefisien Regresi
µ
: Error Term
58
Pemilihan model Log terhadap semua variabel sejalan dengan penelitian yang dilakukan oleh Widodo, 2011. Penelitian tersebut telah menjelaskan mengenai variabel indeks yang ditransformasi menjadi model log. Hal tersebut dibuktikan melalui variabel Indeks Harga Konsumen yang interpretasinya menjadi inflasi. Oleh karena itu penelitian ini juga menggunakan model log terhadap variabel Indeks Kota Cerdas, Indeks Pembangunan
Manusia
dan
Indeks
Pencemaran
Udara
sehingga
interpretasinya menjadi pertumbuhan indeks. Penelitian ini menggunakan analisis regresi linear berganda, maka dalam penelitian harus melakukan uji prasyarat diantaranya yaitu uji endogeneity dan uji asumsi klasik. Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis Ordinary Least Square (OLS). Koutsoyiannis (dalam Aisyah, 2007), mengemukakan beberapa alasan yang mendasari mengapa digunakan OLS, yaitu: 1. Estimasi parameter yang diperoleh dengan menggunakan OLS memepunyai beberapa ciri optimal. 2. Prosedur perhitungan dari OLS sangat sederhana dibandingkan dengan metode ekonometrika yang lainnya serta kebutuhan data tidak berlebihan. 3. OLS dapat digunakan dalam range hubungan ekonomi yang luas dengan tingkat ketepatan yang memuaskan.
59
4. Mekanisme
perhitungan
OLS
secara
sederhana
dapat
dimengerti. 5. OLS merupakan komponen vital bagi banyak tehnik ekonometri yang lain.
Seperti
yang
tertulis
dalam
berbagai
buku
bahwa
tujuan
ekonometrika adalah mengestimasi poplation regression function/PRF dari suatu sampel. Hasil dari estimasi ini disebut dengan sample regression function/SRF yang berbentuk persamaan y = β0 + β1x + µ. Error term diperlukan mengingat hasil yang diperoleh dari sampel ini hanya merupakan suatu dugaan yang dharapkan berlaku atas dasar asumsi/prinsip statistic tertentu. Dengan kata lain selalu terdapat kemungkinan kesalahan atas dengan populasi karena menggunakan data dari sampel. Parameter β0 dan β1 dapat diestimasi dengan menggunakan teknik Ordinary Least Squares (OLS). Secara intuitif dapat dibayangkan penggunaan metode OLS sebagai pencarian suatu garis lurus yang melewati sekumpulan titik pasangan observasi (variabel terikat: y dan variabel penjelas: x). Garis ini harus memenuhi suatu kriteria secara terbaik. Kriteria yang digunakan adalah meminimalkan selisih antara nilai prediksi yang diberikan oleh garis lurus tersebut dengan nilai aktualnya (Moch. Doddy Ariefianto, 2012:9)
60
3.6. Teknik Estimasi 3.6.1. Model Regional Dasar Budy P. Resosudarmo dalam Research on Regional Development in Indonesia: New Directions and Challenges, menjelaskan bahwa model ekonometrik utama adalah sebagai berikut: Yr,t = α0 + Xr,t ˙ α1 + α2 ˙ pr,t + er,t ........................................ (3.4) Model tersebut didominasi oleh model pertumbuhan (r=regions ), dimana p = a karakteristik daerah tertentu. Dalam Model tersebut sangat umum terjadinya masalah endogeneity, terdapat 3 macam masalah endogeneity yang memungkinkan untuk terjadi, diantaranya yaitu: 1. Variabel yang dihilangkan (Omitted variable) adalah masalah endogeneity yang terjadi apabila variabel regional lainnya tidak terdapat dalam model. Endogeneity I: Omitted Variable a. Misalkan model yang benar adalah : yr , t = α0 + Xr,t ⋅α1 + α2 ⋅ pr,t + α3 ⋅ zr,t + er,t ................... (3.5)
b. Jika variabel zi,t dihilangkan, maka modelnya menjadi: yr,t = α0 + Xr,t ⋅α1 + α2 ⋅ pr,t + er,t ........... (3.6) dimana
er,t = α2 ⋅ zr,t + ur,t ............................. (3.7)
61
c. Jika p memiliki beberapa korelasi yang sama dengan z dan z secara terpisah mempengaruhi h, kemudian diestimasikan sebagai berikut: yr,t = α0 + Xr,t ⋅ α1 + ᾶ2 ⋅ pr,t + e'r,t ................ (3.8) maka akan menghasilkan ᾶ2 ≠ α2 2. Pengukuran Kesalahan (Measurement error) adalah masalah endogeneity yang
terjadi apabila variabel
daerah biasanya tidak dapat diandalkan. Endogeneity II : Pengukuran Kesalahan a. Misalkan hanya dapat mengamati p* dimana : p * r,t = pr,t + vr,t ................................... (3.9) di mana vr,t adalah " noise" b. Maka model yang muncul adalah yr,t = α0 + Xr,t ⋅ α1 + α2 ⋅ p * r,t + er,t ........... (3.10) yang memiliki
er,t = -α2 ⋅ vr,t + ur,t ........................(3.11) c. Jika v tidak acak , maka estimasi dari persamaan ini yr,t = α0 + Xr,t ⋅α1 + ᾶ2 ⋅ p * r,t + e'r,t ........... (3.12) maka akan menghasilkan ᾶ2 ≠ α2
62
3.7. Uji Asumsi Klasik Uji Asumsi Klasik digunakan untuk memastikan bahwa data yang digunakan berdistribusi normal dan dalam model tersebut tidak mengandung multikolinieritas, autokorelasi, normalitas, linieritas dan heteroskedastisitas. Uji asumsi klasik harus dilakukan hanya pada analisis tegresi linear berganda. Oleh karena data dalam penelitian ini menggunakan data cross section maka uji asumsi klasik yang harus dilakukan adalah:
3.7.1. Uji Multikolinieritas Uji multikolinieritas dimaksudkan untuk mengetahui ada tidaknya korelasi antar variabel independen di dalam model regresi. Apabila terdapat multikolinieritas di dalam model, maka kesalahan estimasi yang dihasilkan oleh model cenderung besar. Untuk menguji ada tidaknya multikolinieritas di dalam model penelitian ini, akan digunakan pengukuran Variance Inflation Factor (VIF). Nilai cut-off yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai Tolerance < 0,10 atau sama dengan nilai VIF > 10. Jika VIF tidak lebih dari 10 maka model terbebas dari multikolinieritas. Model regresi linier yang baik adalah yang terbebas dari adanya multikolinieritas.
63
3.7.2. Uji Autokorelasi Autokorelasi menunjukkan sifat residual regresi yang tidak bebas dari satu observasi ke observasi lainnya. Fenomena ini umum ditemukan pada regresi dengan data yang bersifat time series tetapi kadang juga terdapat pada data cross section. Guna memastikan apakah model regresi linier terbebas dari autokorelasi, dapat menggunakan metode Brusch-Godfrey atau LM (Lagrange Multiplier) Test. Jika nilai Prob. F hitung lebih besar dari tingkat alpha 0,05 (5%) maka H0 diterima yang artinya tidak terjadi autokorelasi. Sebaliknya, apabila nilai Prob. F hitung lebih kecil dari 0,05 maka dapat disimpulkan terjadi autokorelasi. Uji autokorelasi selain menggunakan LM Test, dapat juga menggunakan Durbin-Watson. Nilai Durbin-Watson sudah tertampil pada jendela Durbin-Watson hitung. Nilai ini akan dibandingkan dengan kriteria penerimaan atau penolakan yang akan dibuat dengan nilai dL dan dU dan ditentukan berdasarkan jumlah variabel bebas dalam model regresi (k) dan jumlah sampelnya (n). Nilai dL dan dU dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5% (α = 0,05).
64
3.7.3. Uji Normalitas Uji normalitas yang dimaksud adalah (data) residual yang dibentuk model regresi linier terdistribusi normal, bukan variabel bebas ataupun variabel terikatnya. Pengujian terhadap residual terdistribusi normal atau tidak dapat menggunakan Jarque-Bera Test. Keputusan terdistribusi normal tidaknya residual secara sederhana dengan membandingkan nilai Probabilitas JB (Jarque-Bara) hitung dengan tingkat alpha 0,05 (5%). Apabila Prob. JB hitung lebih besar dari 0,05 maka dapat disimpulkan bahwa residual terdistribusi normal dan sebaliknya, apabila nilainya lebih kecil maka tidak cukup bukti untuk menyatakan bahwa residual terdistribusi normal (Muhammad Iqbal, 2015: 18).
3.7.4. Uji Heteroskedastisitas Heteroskedastisitas terjadi pada saat residual dan nilai prediksi memiliki korelasi atau pola hubungan. Pola hubungan ini tidak hanya sebatas hubungan yang linier, tetapi dalam pola yang berbeda juga dimungkinkan. Gujarati, 2004 menjelaskan bahwa uji yang paling umum digunakan adalah Uji White. Berbeda dengan Goldfeld-Quandt test, yang memerlukan penataan kembali pengamatan sehubungan dengan variabel X yang konon disebabkan heteroskedastisitas, atau tes BPG, yang sensitif terhadap asumsi normalitas, uji white tidak bergantung
pada
asumsi
normalitas
dan
mudah
untuk
diimplementasikan. Sebagai ilustrasi dari ide dasar, pertimbangkan hal
65
berikut yaitu tiga variabel model regresi (generalisasi dengan model kvariabel) (Gujarati, 2004): Yi = β1 + β2X2i + β3X3i + µ i ...................................... (3.13)
Uji White dilakukan sebagai berikut: a. Dengan memperhatikan data yang ada maka dilakukan estimasi regresi (3.13) dengan OLS, sehingga memperoleh residu, ei b. Lakukan penambahan terhadap regresi sehingga menjadi seperti ini:
ûi2 = ɑ1+ ɑ2X2i + ɑ3X3i + ɑ4X22i + ɑ5X23i + ɑ6X2iX3i + ʋi ......... (3.14)
.
artinya bahwa, residu yang diperoleh dari regresi asal (3.13) dikuadratkan dan diregresikan pada semua variabel asal, nilai kuadratnya, lalu lakukan perkalian silang. Pemangkatan tambahan variabelvariabel X asal juga bisa ditambahkan. Faktor ʋi adalah faktor residu dalam regresi pelengkap. c. Tentukan nilai R2 dari regresi pelengkap (3.14). Hipotesis dibawah nol menunjukkan bahwa tidak ada
heteroskedastisitas,
hal
tersebut
dapat
menunjukkan bahwa ukuran sampel (n) dikali R2 diperoleh dari tambahan regresi asimtotik, yang 66
mengikuti distribusi chi-kuadrat dengan df yang sama untuk jumlah regressors (tidak termasuk istilah konstan n. R2 ~ X2df ............................................... (3.15) di mana d.f. menunjukkan tambahan regresi di dalam model (3.14) d.f. adalah 5. d. Jika nilai chi-kuadrat yang diperoleh dari persamaan (3.17) melebihi nilai chi-kuadrat kritis pada tingkat signifikansi yang dipilih, atau jika nilai p nilai chikuadrat yang dihitung cukup rendah (anggap 1% atau 5%), kita bisa menolak hipotesis nol tentang tidak adanya heteroskedastisitas. Di sisi lain, jika nilai p nilai chi-kuadrat hitung cukup besar (anggap di atas 5% atau 10%), kita tidak bisa menolak hipotesis nol. 3.8. Uji Kelayakan Model 3.8.1. Uji Signifikansi Individu (Uji t) Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan/model regresi linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam mempengaruhi variabel terikatnya. Parameter yang
67
diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji t difokuskan pada parameter slope (koefisien regresi) saja. Jadi uji t yang dimaksud adalah uji koefisien regresi. Prosedur Uji t pada koefisien regresi parsial pada regresi berganda sama dengan prosedur uji koefisien regresi sederhana (Widarjono, 2013). Uji t dalam regresi linier berganda dimaksudkan untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan/model regresi linier berganda sudah merupakan parameter yang tepat atau belum. Maksud tepat disini adalah parameter tersebut mampu menjelaskan perilaku variabel bebas dalam mempengaruhi variabel terikatnya. Parameter yang diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope (koefisien dalam persamaan linier). Pada bagian ini, uji t difokuskan pada parameter slope (koefisien regresi) saja. Jadi uji t yang dimaksud adalah uji koefisien regresi. Apabila nilai prob. t hitung (ditunjukkan pada Prob.) lebih kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa variabel bebas berpengaruh signifikan terhadap variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa variabel bebas tidak berpengaruh signifikan terhadap variabel terikatnya (Muhammad Iqbal, 2015).
68
Atau dapat dilakukan dengan menggunankan hipotesis sebagai berikut: Ho : b 1 = b……………(tidak ada pengaruh) Ha : b 1 ≠ b…………….(ada pengaruh) Dalam b 1 adalah koefisien variabel independen ke-i nilai parameter hipotesis, biasanya b dianggap = 0. Artinya tidak ada pengaruh variabel X terhadap Y. Bila nilai t-statistik > t-tabel maka pada tingkat kepercayaan tertentu Ho ditolak. Hal ini berarti bahwa variabel independen yang diuji berpengaruh secara nyata (signifikan) terhadap variabel dependen. Maka sebaliknya kriteria pengambilan keputusan Ho : β = 0 Ho diterima (t-statistik < t-tabel) artinya variabel independen secara parsial tidak berpengaruh nyata terhadap variabel dependen. Ha : β ≠ 0 Ha diterima (t-statistik > t-tabel) artinya variabel independen secara parsial berpengaruh nyata terhadap variabel dependen. Uji
t
berfungsi
untuk
mengetahui
pengaruh
variabel
independent yang terdapat di dalam model secara terpisah (parsial) terhadap variabel dependent, caranya yaitu dengan melakukan pembandingan terhadap probabilitas (P Value) dengan taraf signifikan 5% atau 0,05.
69
3.8.2. Uji Signifikansi Simultan (Uji F) Uji keterandalan model atau uji kelayakan model atau yang biasa disebut sebagai uji F (ada juga yang menyebutnya sebagai uji simultan model) merupakan tahapan awal mengidentifikasi model regresi yang diestimasi layak atau tidak. Layak (andal) disini maksudnya adalah model yang diestimasi layak digunakan untuk menjelaskan pengaruh variabel-variabel bebas terhadap variabel terikat. Uji ini disebut sebagai uji F, karena mengikuti mengikuti distribusi F yang kriteria pengujiannya seperti One Way Anova (Widarjono, 2013).. Pengunaan software memudahkan penarikan kesimpulan dalam uji ini. Apabila nilai prob. F hitung lebih kecil dari tingkat kesalahan/error (alpha) 0,05 (yang telah ditentukan) maka dapat dikatakan bahwa model regresi yang diestimasi layak, sedangkan apabila nilai prob. F hitung lebih besar dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi tidak layak. Cara lain yang dapat digunakan adalah digunakan hipotesis sebagai berikut: Ho : b 1 = 0………………….. (tidak ada pengaruh) Ha : b 1 ≠ 0……………………... (ada pengaruh) Pengujian ini dilakukan dengan membandingkan nilai F-hitung dengan Ftabel. Jika F-hitung > F-tabel maka Ho ditolak dan Ha
70
diterima yang berarti variabel independen secara bersama-sama mempengaruhi variabel dependen. Kriteria pengambilan keputusan: Ho : β 1 = β 2 = 0 Ho diterima (F-hitung < F-tabel) artinya variabel independen secara bersama-sama tidak berpengaruh nyata terhadap variabel dependen. Ha : β 1 ≠ β 2 ≠ 0 Ha diterima (F-hitung > F-tabel) artinya variabel independen secara bersama-sama berpengaruh nyata terhadap variabel dependen Uji F dilakukan untuk mengetahui apakah variabel-variabel independent secara keseluruhan atau bersama memberikan pengaruh signifikan secara statistik dalam mempengaruhi variabel dependent.
3.8.3. Koefisien Determinasi Simultan (R²) Koefisien determinasi merupakan ukuran ringkas yang menjelaskan kepada kita bagaimana hubungan antara variabel dependen
dengan
variabel
indepennya
dalam
suatu
model
(Widarjono, 2013). Hasil perhitungan R2 secara keseluruhan digunakan untuk mengukur seberapa besar persentase variasi variabel independent yang digunakan dalam model yang mampu menjelaskan variabel dependent. Apabila nilai R² mendekati 1 maka ada hubungan yang kuat dan erat antara variabel dependent dan variabel independent dan penggunaan model tersebut dibenarkan, namun apabila R2 mendekati 0 maka semakin lemah variasi variabel independent dalam
71
menerangkan variabel dependent. Namun tidak dapat dipungkiri ada kalanya dalam penggunaan koefisien determinasi (R²) terjadi bias terhadap satu variabel bebas yang dimasukkan dalam model. Sebagai ukuran kesesuaian garis regresi dengan sebaran data, R2 menghadapi masalah karena tidak memperhitungkan derajat bebas. Sebagai alternatif digunakan corrected atau adjusted R². Dalam Eviews koefisien determinasi simultan terdapat pada table Summary kolom R-square.
72
