IV METODE PENELITIAN
4.3. Desain Penelitian
4.6.1. Analisis Deskriptif
Analisis deskriptif dilakukan dengan mendeskripsikan semua data yang telah terkumpul, berdasarkan sampel, sebagaimana adanya, tanpa bermaksud untuk membuat kesimpulan yang berlaku untuk populasi dimana sampel diambil (generalisasi) (Sugiyono 2001). Statistik deskriptif tersebut dapat berupa penyajian data melalui tabel, grafik, diagram lingkaran, piktogram, perhitungan modus, median, mean, simpangan baku (standar deviasi), serta perhitungan persentase.
4.6.2. Analisis Korelasi dan Regresi Linear Berganda
Analisis ini dilakukan untuk mengetahui hubungan dan pengaruh dari
66
peluang usaha lain (X2), dan teknologi budidaya lada petani (X3), secara
bersamaan, terhadap variabel dependen, yaitu produksi lada (Y).
a. Asumsi-asumsi
Asumsi-asumsi yang harus dipenuhi untuk menggunakan analisis korelasi dan regresi berganda ini antara lain (Mason dan Lind 1999):
i. Terdapat hubungan linear antara variabel independen dan variabel
dependen.
ii. Variabel dependen harus bersifat kontinu, dan paling tidak berskala selang
(interval).
iii. Keragaman residu (selisih nilai pengamatan dan pendugaan) harus sama
untuk semua nilai pendugaan Y (Y′), dan nilai-nilai residu ini menyebar
normal, dengan rata-rata 0. Jika terjadi perbedaan, maka hal tersebut mengindikasikan terjadinya homoskedastisitas. Uji statistik tersendiri dapat dilakukan untuk mendeteksi homoskedastisitas.
iv. Pengamatan berurutan terhadap variabel dependen tidak berkorelasi. Jika
terdapat korelasi, maka disebut autokorelasi. Autokorelasi sering terjadi sewaktu data dikumpulkan menurut periode-periode waktu. Uji statistik tersendiri dapat dilakukan untuk mendeteksi autokorelasi.
v. Kaidah kuadrat terkecil (OLS atau Ordinary Least Square)
Kaidah kuadrat terkecil berfungsi untuk menghasilkan garis lurus (linear) dengan kesesuaian terbaik.
Menurut Mason dan Lind (1999), dalam prakteknya ketepatan asumsi-asumsi ini tidak selalu mungkin diterapkan dalam masalah korelasi dan regresi linear berganda, yang melibatkan iklim bisnis yang selalu berubah. Teknik statistika ini, nampaknya bekerja baik, sekalipun satu atau lebih asumsi-asumsinya dilanggar. Sekalipun jika nilai-nilai pada persamaan regresi linear berganda sedikit “salah”, pendugaan yang berdasarkan persamaan tersebut, akan lebih dekat daripada dengan cara lain manapun yang bisa digunakan.
b. Bentuk umum persamaan regresi linear berganda
Bentuk umum dari persamaan regresi linear berganda adalah sebagai berikut:
67 Dimana:
Y′ = Disebut Y aksen, yaitu nilai prediksi dari variabel (dependen)
berdasarkan nilai variabel X yang dipilih.
A = Titik potong Y, yang merupakan nilai perkiraan bagi Y ketika X= 0
(garis Y memotong sumbu X).
B1 = Perubahan rata-rata pada Y′ untuk setiap satu unit perubahan (naik
ataupun turun) pada variabel X1, dengan menganggap variabel
independen lainnya konstan. Ini disebut sebagai koefisien regresi parsial atau cukup disebut koefisien regresi.
B2 = Perubahan rata-rata pada Y′ untuk setiap satu unit perubahan (naik
ataupun turun) pada variabel X2, dengan menganggap variabel
independen lainnya konstan. Ini juga disebut sebagai koefisien regresi parsial atau cukup disebut koefisien regresi.
Bk = Perubahan rata-rata pada Y′ untuk setiap satu unit perubahan (naik
ataupun turun) pada variabel Xk, dengan menganggap variabel
independen lainnya konstan. Ini juga disebut sebagai koefisien regresi parsial atau cukup disebut koefisien regresi.
X1 = Sembarang nilai variabel independen X1.
X2 = Sembarang nilai variabel independen X2.
Xk = Sembarang nilai variabel independen ke-k.
Sumber: Mason dan Lind (1999)
c. Kesalahan baku berganda pendugaan
Kesalahan baku berganda pendugaan berfungsi untuk mengukur kesalahan dalam pendugaan. Kesalahan baku berganda pendugaan akan mengukur kesalahan yang terjadi pada nilai Y, di sekitar bidang regresi. Adapun rumus kesalahan baku berganda pendugaan, yaitu (Mason dan Lind 1999):
Sy∙12. . . k= Σ Y-Y' 2
n- k+1 ………. (2)
Dimana:
Sy∙x. . . k = Kesalahan baku berganda pendugaan.
n = Jumlah sampel (pengamatan).
k = Jumlah variabel independen.
Y = Nilai variabel dependen.
Y′ = Disebut Y aksen, yaitu nilai prediksi dari variabel Y
(dependen) berdasarkan nilai variabel X yang dipilih.
(ΣXY) = Jumlah hasil kali variabel X dan Y.
68
d. Selang kepercayaan dan selang pendugaan
Selang kepercayaan bagi nilai tengah Y untuk suatu nilai X tertentu diperoleh dengan rumus:
Y'±t Sy∙x 1n+ X-X 2
ΣX2- ΣX 2
n
………. (3)
Sedangkan untuk menentukan selang pendugaan bagi suatu nilai Y untuk nilai X yang diberikan, diperoleh dengan rumus:
Y'±t Sy∙x 1+1 n+ X-X 2 ΣX2- ΣX 2 n ………. (4) Dimana:
Y′ = Disebut Y aksen, yaitu nilai prediksi dari variabel Y (dependen)
berdasarkan nilai variabel X yang dipilih.
t = Nilai statistik t berdasarkan lampiran F untuk derajat bebas n–2.
Sy∙x = Kesalahan baku pendugaan.
n = Jumlah sampel (pengamatan).
X = Nilai variabel X (independen) yang terpilih.
X = Nilai tengah variabel X, diperoleh dari ΣX/n.
Sumber: Mason dan Lind (1999)
e. Koefisien korelasi berganda (R)
Koefisien korelasi berganda rumit dilakukan jika variabel independennya sudah lebih dari dua variabel. Oleh karena itu lebih mudah
menggunakan bantuan software komputer. Dari perhitungan komputer, dapat
diperoleh koefisien determinasi berganda (R2), yang merupakan persentase
keragaman yang dapat dijelaskan oleh model regresi (Mason dan Lind 1999). Koefisien determinasi berganda didapat dari jumlah kuadrat regresi dibagi dengan jumlah kuadrat total. Secara matematis dituliskan:
R2= SSR
69
Sumber: Mason dan Lind (1999)
Setelah mengetahui nilai R2, maka dapat diketahui pula nilai R
(koefisien korelasi berganda), yaitu dengan cara mengakarkan nilai R2. Secara
matematis dapat dinyatakan:
R= R2= SSR
SStotal ………. (6)
f. Multikolinearitas
Multikolinearitas terjadi jika diantara variabel-variabel independen saling berkorelasi. Untuk memeriksa adanya multikolinearitas dapat
digunakan matriks korelasi, yang dapat diperoleh dengan bantuan software
komputer. Multikolinearitas dapat mengubah kesalahan baku pendugaan dan menyebabkan kesimpulan yang salah, sehubungan dengan manakah variabel independen yang mempunyai pengaruh signifikan (nyata) dan tidak signifikan. Korelasi antar variabel-variabel independen yang berada pada selang -0,70 sampai dengan 0,70 tidak menyebabkan masalah (Mason dan Lind 1999). Jika terdapat korelasi yang erat antara dua variabel independen, maka salah satu dari dua variabel independen tersebut diabaikan.
g. Uji global
Uji global dilakukan untuk melihat kemampuan menyeluruh dari
variabel-variabel independen (X1, X2,. . ., Xk), dalam menjelaskan tingkah
laku variabel dependen (Y). Pada dasarnya uji global menyelidiki apakah semua variabel independen memiliki koefisien bersih regresi nol. Dengan kata
lain, dapatkah besar varians yang bisa dijelaskan (R2), terjadi secara tidak
sengaja. Uji statistik yang digunakan adalah uji F, dengan derajat bebas pembilang k dan derajat bebas penyebut n-(k+1), dimana k adalah banyaknya variabel independen dan n adalah jumlah pengamatan atau sampel.
70
h. Evaluasi koefisien regresi secara individu
Langkah selanjutnya setelah uji F adalah menguji variabel-variabel tersebut secara individu untuk menentukan koefisien regresi yang bernilai nol dan yang bukan. Jika koefisien regresi bernilai nol, menandakan bahwa variabel independen tertentu tidak berpengaruh dalam menerangkan keragaman dari variabel dependen. Uji statistik yang digunakan adalah uji
t-student, dengan derajat bebas n-(k+1), dimana k adalah banyaknya variabel independen dan n adalah jumlah pengamatan atau sampel.
4.6.3. Uji Asumsi Model Regresi Linear Klasik
Pada model ekonometrik, terutama model regresi linear, diketahuinya nilai variabel independen tertentu, belum tentu menjamin diketahuinya nilai variabel dependen dengan tepat, sebab variasi variabel dependen disebabkan oleh banyak variabel, yang tidak semuanya dimasukkan sebagai variabel independen. Selain itu, terdapat faktor-faktor, seperti kesalahan tertentu, yang selalu akan dilakukan oleh seorang peneliti. Untuk menampung kesalahan tersebut, di dalam model regresi linear dimasukkan variabel gangguan, yaitu yang mengganggu hubungan jika tidak terdapat kesalahan tersebut. Sehingga model regresi linear secara umum dapat ditulis:
Berdasarkan model di atas dapat dilihat bahwa variasi variabel dependen
(Y) tidak saja dijelaskan oleh variabel dependen (X1−Xk), tetapi juga oleh variabel
∈, dimana variabel ∈ adalah variabel random yang tidak diketahui dan tidak dapat
diamati. Oleh sebab itu, agar variabel dependen dapat dijelaskan dengan baik oleh
variabel independen, maka pola perilaku ∈ harus diperkirakan terlebih dahulu.
Untuk itu, dibuatlah asumsi tertentu tentang pola perilaku variabel ∈ yang dikenal
dengan nama asumsi model regresi linear klasik, yaitu:
1. Nilai yang diharapkan bersyarat (conditional expected value) dari ∈i
tergantung pada Xi tertentu adalah nol.
71 manapun dari nilai rata-ratanya tidak menunjukkan adanya korelasi, baik secara positif, maupun negatif.
3. Varians bersyarat dari ∈ adalah konstan. Asumsi ini dikenal dengan asumsi
homoskedastisitas.
4. Variabel bebas adalah nonstokastik (yaitu tetap dalam penyampelan berulang),
atau jika stokastik, didistribusikan secara independen dari gangguan ∈.
5. Tidak adanya multikolinearitas di antara variabel independen yang satu
dengan yang lainnya.
6. ∈ didistribusikan secara normal dengan rata-rata varians yang diberikan oleh
asumsi 1 dan 2.
Penyimpangan asumsi 2, 3, dan 5 memiliki pengaruh yang serius, sedangkan asumsi 1, 4, dan 6 tidak. Jika asumsi 1 tidak dipenuhi, maka konstanta (intersep) pada model tidak dapat diduga dengan benar. Akan tetapi, dalam praktik, unsur intersep tidak begitu penting, karena untuk sebagian besar tujuan, ukuran besaran yang berarti adalah koefisien regresi variabel independen, yang tetap tidak terpengaruh jika asumsi 1 tidak terpenuhi. Untuk asumsi 4, strategi praktis untuk diikuti adalah dengan mengasumsikan bahwa untuk masalah yang ada nilai variabel independen adalah tertentu, meskipun variabel itu sendiri mungkin sebenarnya stokastik. Jadi hasil analisis regresi adalah tergantung pada nilai tertentu. Asumsi 6, asumsi kenormalan tidak penting secara mutlak, jika
tujuannya hanya pendugaan. Penduga OLS (Ordinary Least Square) adalah
BLUE (Best Linear Unbiased Estimation) dengan memandang apakah ∈
didistribusikan secara normal atau tidak. Terlebih lagi jika ∈ didistribusikan
secara normal, dapat ditunjukkan bahwa penduga OLS cenderung didistribusikan secara normal apabila sampel meningkat secara tak terbatas. Ahli ekonomi seringkali tidak memiliki sampel yang besar, sehingga asumsi kenormalan menjadi sangat penting untuk maksud pengujian hipotesis dan peramalan.
Berdasarkan landasan teori yang telah diuraikan, maka dalam penelitian ini, model (persamaan) regresi linear yang dihasilkan akan diuji menurut asumsi model regresi linear klasik. Uji asumsi yang dilakukan untuk model regresi linear
72 berganda meliputi, uji multikolinearitas, uji normalitas, uji heteroskedastisitas, dan uji autokorelasi. Uji normalitas, uji heteroskedastisitas, dan uji autokorelasi
dilakukan dengan bantuan software Eviews 4,1. Sementara itu, uji
multikolinearitas dilakukan dengan bantuan software SPSS 11,5.
1. Uji normalitas
Untuk mengetahui normalitas residual (error atau gangguan), maka
digunakan Uji Jarque-Bera. Hipotesis yang disusun, yaitu:
H0: Residual (error atau gangguan) berdistribusi normal.
Ha: Residual (error atau gangguan) tidak berdistribusi normal.
Jika nilai probabilitas (Jarque-Bera) lebih besar dari taraf nyata (α)
yang digunakan, maka disimpulkan terima H0. Sehingga dapat dikatakan
residual (error atau gangguan) pada model terdistribusi dengan normal atau
dengan kata lain asumsi normalitas terpenuhi.
2. Uji heteroskedastisitas
Uji yang digunakan untuk melihat ada atau tidaknya sifat heteroskedastisitas pada model adalah Uji Heteroskedastisitas Umum White. Hipotesis yang disusun yaitu:
H0: Tidak ada heteroskedastisitas.
Ha: Ada heteroskedastisitas.
Jika nilai probabilitas Obs*R-squared (Uji White) lebih besar dari taraf
nyata (α) yang digunakan, maka disimpulkan terima H0. Atau dengan kata
lain, disimpulkan tidak terdapat heteroskedastisitas pada model.
3. Uji autokorelasi
Uji yang digunakan untuk melihat ada atau tidaknya autokorelasi pada model adalah Uji Breusch-Godfrey Serial Correlation Lagrange Multiplier. Hipotesis yang disusun yaitu:
H0: Tidak ada autokorelasi.
Ha: Ada autokorelasi.
Jika nilai probabilitas Obs*R-squared (Uji Breusch-Godfrey Lagrange
Multiplier) lebih besar dari taraf nyata (α) yang digunakan, maka disimpulkan
terima H0. Atau dengan kata lain, disimpulkan tidak terdapat autokorelasi pada
73 korelasi antara variabel-variabel independen yang berada pada selang -0,70 sampai dengan 0,70 tidak menyebabkan masalah. Selain itu, adanya
multikolinearitas juga dapat diuji berdasarkan nilai VIF (Variance Inflation
Factors) nya. Menurut Lind, Marchal, dan Wathen (2007), sebuah VIF yang lebih besar dari sepuluh (10) dianggap tidak memuaskan, yang mengindikasikan sebaiknya variabel bebas tersebut dibuang. Pramesti (2009) menyebutkan, jika nilai VIF lebih kecil dari sepuluh, maka dapat dikatakan model terbebas dari masalah multikolinearitas. Oleh sebab itu, jika nilai korelasi antar variabel independen berada pada selang -0,7 sampai 0,7 dan nilai VIF setiap variabel tersebut lebih kecil dari sepuluh, maka disimpulkan tidak terdapat multikolinearitas pada model regresi linear.
4.6.4. Bentuk Pengujian Hipotesis Penelitian
Bentuk pengujian hipotesis yang dilakukan adalah dua arah (two tail test)
dengan menggunakan uji t-student dan uji F. Pada uji dua arah dengan uji
t-student, mengharuskan taraf nyatanya dibagi dua (α/2) (Sugiyono 1999).
Pengolahan data dengan software SPSS untuk uji t-student juga menyajikan nilai
probabilitas (Sig.), selain nilai t-student hitung (thitung). Saat nilai probabilitas
diperbandingkan dengan α, maka nilai α tersebut tidak perlu dibagi dua.
Ringkasan kriteria uji t-student untuk thitung dan nilai probabilitas pada hipotesis
satu arah dan dua arah dapat dilihat pada Tabel 11.
Tabel 11. Kriteria Uji Hipotesis Dua Arah dengan Uji t-student
No Nilai Kriteria Uji Kesimpulan
1. Statistik t-student thitung >tα 2(n-k-1)
Tolak H0 pada taraf nyata α
2. Probabilitas (Sig.) Sig.<α Tolak H0 pada taraf nyata α Keterangan: DFerror/Derajat bebas penyebut = (n-k-1) H0 = Hipotesis nol (penolakan)
k = banyaknya variabel independen α = Taraf nyata (signifikansi)
74
Pengolahan data dengan software SPSS untuk uji F menyajikan nilai Fhitung
dan probabilitas (Sig.). Kriteria uji Fhitung dan nilai probabilitas pada hipotesis dua
arah dapat dilihat pada Tabel 12.
Tabel 12. Kriteria Uji Hipotesis Dua Arah dengan Uji F
No Nilai Kriteria Uji Kesimpulan
1. Statistik F Fhitung>tα(v1,v2) Tolak H0 pada taraf nyata α
2. Probabilitas (Sig.) Sig.<α Tolak H0 pada taraf nyata α
Keterangan: H0= Hipotesis nol (penolakan) α= Taraf nyata (taraf signifikansi) v1= Derajat bebas pembilang (DF regression) = k n= Jumlah sampel (pengamatan) v2= Derajat bebas penyebut (DF error) = (n-k-1) k= Jumlah variabel independen
4.7. Model Regresi Linear Berganda
Model regresi linear berganda yang menggambarkan pengaruh harga jual
lada di tingkat petani (X1), peluang usaha lain (X2), dan teknologi budidaya lada
petani (X3), terhadap produksi lada (Y), adalah sebagai berikut:
Dimana:
Y′ = Disebut Y aksen, yaitu nilai prediksi dari produksi lada berdasarkan nilai
variabel independen yang dipilih.
A = Titik potong Y, yang merupakan nilai perkiraan bagi Y ketika X= 0 (garis
Y memotong sumbu X).
b1 = Perubahan rata-rata pada Y′ untuk setiap satu unit perubahan (naik
ataupun turun) pada harga jual lada di tingkat petani, dengan menganggap variabel independen lainnya konstan. Ini disebut sebagai koefisien regresi parsial atau cukup disebut koefisien regresi.
b2 = Perubahan rata-rata pada Y′ untuk setiap satu unit perubahan (naik
ataupun turun) pada peluang usaha lain, dengan menganggap variabel independen lainnya konstan. Ini juga disebut sebagai koefisien regresi parsial atau cukup disebut koefisien regresi.
b3 = Perubahan rata-rata pada Y′ untuk setiap satu unit perubahan (naik
ataupun turun) pada teknologi budidaya lada petani, dengan menganggap variabel independen lainnya konstan. Ini juga disebut sebagai koefisien regresi parsial atau cukup disebut koefisien regresi.
X1 = Sembarang nilai variabel harga jual lada di tingkat petani.
X2 = Sembarang nilai variabel peluang usaha lain.
X3 = Sembarang nilai variabel teknologi budidaya lada petani.
75
(X3), secara bersama-sama, terhadap produksi lada (Y), akan dilakukan uji global
(uji F) dan uji individu (uji t-student), dengan taraf nyata (taraf kesalahan) sepuluh
(10) persen (0,1). Penggunaan taraf nyata (signifikansi) (α) sepuluh (10) persen
disebabkan karena penelitian ini menganalisis gejala-gejala sosial-ekonomi di masyarakat, khususnya petani lada. Adapun hipotesis-hipotesis, yang disusun
menjadi hipotesis penolakan (H0) dan hipotesis alternatif (Ha), yaitu:
1. Uji global (uji F)
Hipotesis yang dirumuskan adalah hipotesis dua arah, sehingga uji
global yang dilakukan adalah uji dua arah (two tail test), yaitu:
H0: Tidak terdapat pengaruh (hubungan kausal atau fungsional) yang
signifikan antara harga jual lada di tingkat petani (X1), peluang usaha lain
(X2), dan teknologi budidaya lada petani (X3), secara bersama-sama,
terhadap produksi lada (Y). Atau
Tidak terdapat satu pun diantara variabel independen, yaitu harga jual
lada di tingkat petani (X1), peluang usaha lain (X2), dan teknologi
budidaya lada petani (X3), yang berpengaruh signifikan terhadap produksi
lada (Y).
Ha: Terdapat pengaruh (hubungan kausal atau fungsional) yang signifikan
antara harga jual lada di tingkat petani (X1), peluang usaha lain (X2), dan
teknologi budidaya lada petani (X3), secara bersama-sama, terhadap
produksi lada (Y). Atau
Paling tidak terdapat satu diantara variabel independen, yaitu harga jual
lada di tingkat petani (X1), peluang usaha lain (X2), dan teknologi
budidaya lada petani (X3), yang berpengaruh signifikan terhadap produksi
lada (Y).
Secara ststistik, hipotesis tersebut dinyatakan: H0: β1= β2= β3=0
76 Berdasarkan hipotesis penelitian dan taraf nyata yang ditetapkan atas
pengaruh harga jual lada di tingkat petani (X1), peluang usaha lain (X2), dan
teknologi budidaya lada petani (X3), secara bersamaan terhadap produksi lada
(Y), maka disusun kriteria uji hipotesis. Kriteria tersebut selengkapnya dapat dilihat pada Tabel 13.
Tabel 13. Kriteria Uji Hipotesis Penelitian Dua Arah dengan Uji F pada Model Regresi Linear berganda
No Kriteria Uji Kesimpulan
1. Fhitung>F0,1(v1=3,v2=26) Tolak H0 pada taraf nyata 0,1 (10%) 2. Pvalue<0,1 Tolak H0 pada taraf nyata 0,1 (10%)
Keterangan: v1(DFregression/Derajat bebas pembilang) = k k = Banyaknya variabel independen v2 (DFerror/Derajat bebas penyebut) = (n-k-1) n = Jumlah pengamatan atau sampel H0 = Hipotesis nol (penolakan) α = Taraf nyata (signifikansi)
2. Uji individu (uji t-student)
Hipotesis yang dirumuskan adalah hipotesis dua arah, sehingga uji
individu yang dilakukan adalah uji dua arah (two tail test), yaitu:
a. Harga jual lada di tingkat petani dan produksi
H0: Harga jual lada di tingkat petani tidak berpengaruh (berhubungan
kausal atau berhubungan fungsional) secara signifikan terhadap produksi lada.
Ha: Harga jual lada di tingkat petani berpengaruh (berhubungan kausal
atau berhubungan fungsional) secara signifikan terhadap produksi lada.
Secara statistik dapat ditulis: H0: β1 = 0
Ha: β1≠ 0
b. Peluang usaha lain dan produksi
H0: Peluang usaha lain tidak berpengaruh (berhubungan kausal atau
berhubungan fungsional) secara signifikan terhadap produksi lada.
Ha: Peluang usaha lain berpengaruh (berhubungan kausal atau
77 Ha: β2≠ 0
c. Teknologi budidaya lada petani dan produksi
H0: Teknologi budidaya lada petani tidak berpengaruh (berhubungan
kausal atau berhubungan fungsional) secara signifikan terhadap produksi lada.
Ha: Teknologi budidaya lada petani berpengaruh (berhubungan kausal
atau berhubungan fungsional) secara signifikan terhadap produksi lada.
Secara statistik dapat ditulis: H0: β3 = 0
Ha: β3≠ 0
Berdasarkan hipotesis penelitian dan taraf nyata yang telah ditetapkan, maka dapat ditentukan kriteria-kriteria uji hipotesis penelitian dengan uji
t-student yang selengkapnya dapat dilihat pada Tabel 14.
Tabel 14. Kriteria Uji Hipotesis Penelitian Dua Arah dengan Uji t-student pada Model Regresi Linear Berganda
No Pengaruh Kriteria Uji Kesimpulan
1. (X1) terhadap (Y) thitung>t0,12(DF=26) Tolak H0 pada taraf nyata 0,1 (10%) Sig.<0,1
2. (X2) terhadap (Y) thitung>t0,12(DF=26) Tolak H0 pada taraf nyata 0,1 (10%) Sig.<0,1
3. (X3) terhadap (Y) thitung>t0,12(DF=26) Tolak H0 pada taraf nyata 0,1 (10%) Sig.<0,1
Keterangan: DFerror/Derajat bebas penyebut = (n-k-1) H0 = Hipotesis nol (penolakan) k = banyaknya variabel independen α = Taraf nyata (signifikansi)
n = jumlah pengamatan atau sampel
