II. METODE PENELITIAN
5. Mendapatkan tambahan atau baru
3.8.3 Uji Autokorelasi
Salah satu asumsi dari model regresi linear adalah bahwa tidak ada autokorelasi atau korelasi serial antara error term (εt). Dengan pengertian lain,
error term menyebar bebas atau Cov(εi, εj) = E(εi, εj) = 0, untuk semua i ≠ j. Jika antar error term tidak bebas atau E (εi, εj) ≠ 0, untuk semua i ≠ j, maka terdapat masalah autokorelasi (Juanda, 2009). Autokorelasi sering terjadi pada data time
series, dimana error term pada suatu periode waktu secara sistematik tergantung
kepada error term pada periode-periode waktu yang lain.
Konsekuensi dari adanya autokorelasi yaitu varian yang diperoleh dari estimasi dengan ECM bersifat under estimate, yaitu nilai varian parameter yang diperoleh lebih kecil daripada nilai varian yang sebenarnya.
Cara mendeteksi ada tidaknya autokorelasi bisa dilakukan dengan melihat nilai Durbin Watson (DWstatistik), kemudian membandingkannya dengan DWtabel. Sebuah model dapat dikatakan terbebas dari autokorelasi jika nilai DWstatistik terletak di area nonautokorelasi. Penentuan area tersebut dibantu dengan nilai tabel dl dan du. Pengujian menggunakan hipotesis sebagai berikut (Juanda, 2009):
H0 : Tidak terdapat autokorelasi H1 : Terdapat autokorelasi
Tabel 7. Kerangka Identifikasi Autokorelasi
Nilai DW Hasil
< DW < 4 Tolak , korelasi serial negatif < DW < Hasil tidak dapat ditentukan 2 < DW < Terima , tidak ada korelasi serial
< DW < 2 Terima , tidak ada korelasi serial < DW < Hasil tidak dapat ditentukan 0 < DW < Tolak , korelasi serial positif
Solusi dari masalah autokorelasi adalah:
1. Penghilangan variabel yang sebenarnya berpengaruh terhadap variabel endogen.
2. Kesalahan spesifikasi model. Hal tersebut diatasi dengan mentransformasi model, misalnya dari model linear menjadi model non linear atau sebaliknya.
3.8.4 Uji Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linear klasik adalah varian residual yang konstan (homoskedastisitas). Rumusan homoskedatisitas adalah sebagai berikut:
Var(εi) = E(εi2) = σ2
di mana:
εi = unsur disturbance, σ = nilai varians.
Apabila asumsi tersebut tidak terpenuhi maka varian residual tidak lagi bersifat konstan disebut dengan heteroskedastisitas. Konsekuensi dari adanya heteroskedastisitas yaitu:
a. Estimasi dengan menggunakan ECM tidak akan lagi memiliki varian yang minimum atau estimator tidak efisien.
b. Prediksi (nilai Y untuk X tertentu) dengan estimator dari data yang sebenarnya akan mempunyai varian yang tinggi sehingga prediksi menjadi tidak efisien.
Uji yang dapat dilakukan untuk mendeteksi apakah data yang diamati terjadi heteroskedastisitas atau tidak yaitu dengan uji White Heteroskedasticity. Apabila nilai probability Obs*R-Square lebih kecil dari taraf nyata berarti terdapat gejala heteroskedastisitas pada model, dan sebaliknya.
3.9 Pengujian Statistik Analisis Regresi
3.9.1 Koefisiensi Determinasi (R2)
Koefisien determinasi digunakan untuk mengukur kedekatan hubungan antara variabel bebas yang digunakan dengan variabel terikat. Koefisien determinasi adalah angka yang menunjukkan besarnya proporsi atau persentase variasi variabel terikat yang dijelaskan oleh variabel bebas secara bersama-sama. Besarnya R2 berada diantara 0 dan 1 (0<R2<1). Hal ini menunjukkan bahwa semakin mendekati satu, nilai R2 berarti dapat dikatakan bahwa model tersebut baik. Karena semakin besar hubungannya antara variabel bebas dengan variabel terikat. Dengan kata lain, semakin mendekati satu maka variasi variabel terikat hampir seluruhnya dipengaruhi dan dijelaskan oleh variabel bebas.
3.9.2 Uji F-statistic
Uji F-statistic digunakan untuk mengetahui apakah variabel-variabel independen yang digunakan dalam penelitian secara bersama-sama signifikan memengaruhi variabel dependen. Nilai F-statistic yang besar lebih baik dibandingkan dengan F-statistic yang rendah. Nilai Prob(F-statistic) merupakan tingkat signifikansi marginal dari F-statistic. Dengan menggunakan hipotesis pengujian sebagai berikut:
H0 : β1 = β2 =…= βk =0
H1 : minimal ada salah satu βi yang tidak sama dengan nol
Tolak H0 jika F-statistic lebih besar dari F α(k-1,NT-N-K) atau
Prob(F-statistic) lebih kecil dari α. Jika H0 ditolak, maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen yang digunakan di dalam model secara bersama-sama signifikan memengaruhi variabel dependen.
3.9.3 Uji t-statistic
Uji t-statistic digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen. Tolak H0 jika t-statistic lebih besar dari t α/2(NT-K-1) atau (t-statistic) lebih kecil dari α. Jika H0 ditolak, maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen ke-i secara parsial memengaruhi variabel dependen.
3.10 Variabel Penelitian
Variabel terikat yang digunakan dalam penelitian ini adalah respon (setuju atau tidak setuju) pengemudi angkutan kota (angkot) terhadap kenaikan harga BBM bersubsidi jenis premium, sementara variabel-variabel bebas yang digunakan adalah jarak (JRK), usia (USIA), jumlah tanggungan (JTG), jumlah premium per hari (JBBM) serta lamanya berkendara (LB).
3.11 Definisi Operasional Penelitian
Berikut ini adalah definisi operasional variabel pada penelitian ini:
a. Variabel terikat yang digunkan memiliki jawaban bernilai nol dan satu dimana:
• 0 = jika responden tidak setuju terhadap kenaikan harga BBM • 1 = jika responden setuju terhadap kenaikan harga BBM b. Jarak Tempuh (JRK)
Mencerminkan jarak yang ditempuh responden selama berkendaraan. Variabel ini diduga dapat memengaruhi responden untuk merespon setuju atau tidak setuju terhadap kenaikan harga BBM, karena semakin jauh jarak yang ditempuh oleh responden peluang tidak setuju akan semakin dengan alasan karena akan memperbesar pengeluaran yang dibutuhkan untuk membeli BBM jenis premium.
c. Usia (USIA)
Variabel ini diduga dapat memengaruhi responden untuk merespon setuju atau tidak setuju terhadap kenaikan harga BBM semakin bertambah usia maka akan semakin tidak setuju terhadap kenaikan harga BBM. Hal ini dikarenakan terbatasnya lapangan pekerjaan yang dikhususkan untuk usia lanjut.
d. Jumlah Tanggungan (JTG)
Variabel ini mencerminkan jumlah anggota keluarga yang ditanggung oleh responden. Variabel ini diduga berpengaruh karena jumlah tanggungan terkait dengan besarnya pengeluaran responden setiap hari, semakin besar jumlah tanggungan responden maka peluang tidak setuju terhadap kenaikan harga BBM akan semakin besar karena akan berdampak pada kenaikan harga kebutuhan sehari-hari yang harus dikeluarkan oleh responden.
e. Jumlah Pemakaian BBM (JBBM)
Variabel ini mencerminkan jumlah BBM jenis premium yang dikonsumsi oleh responden setiap hari. Variabel ini diduga akan memengaruhi responden terhadap respon setuju atau tidak kenaikan harga BBM. Jika semakin besar jumlah pemakaian BBM maka peluang untuk tidak setuju terhadap kenaikan harga BBM
akan semakin tidak setuju karena akan memperbesar alokasi biaya yang harus dikeluarkan oleh responden untuk memenuhi kebutuhan konsumsi BBM.
f. Lama Waktu Berkendaraan (LB)
Variabel ini melihat lamanya waktu berkendaraan responden dalam satu hari dengan menggunakan satuan jam. Respon pengemudi yang di analisis pada variabel ini, yaitu semakin lama berkendaraan per hari maka peluang untuk setuju terhadap kenaikan harga BBM akan semakin tinggi bila dibandingkan dengan respon tidak setuju. Hal tersebut dikarenakan responden akan menerima pendapatan lebih tinggi dengan semakin lamanya waktu berkendaraan.