3.1. Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di Desa Babakan, Kecamatan Dramaga, Kabupaten Bogor. Pemilihan lokasi didasarkan atas pertimbangan tujuan responden yaitu warung makan sederhana di sekitar kampus IPB Dramaga, Kabupaten Bogor tepatnya di Kecamatan Dramaga Jalan Babakan Raya, Babakan Tengah dan warung makan yang berada di dalam lingkungan kampus IPB Dramaga. Wilayah ini dipilih menjadi lokasi penelitian dengan pertimbangan bahwa:
1. Kecamatan Dramaga merupakan wilayah lingkup region kecil namun dihuni oleh banyak penduduk dan mayoritas mahasiswa IPB;
2. Adanya kampus IPB merupakan potensi yang strategis untuk pengembangan dan pertumbuhan kegiatan ekonomi bagi wilayah sekitar; 3. Kecamatan Dramaga merupakan salah satu tempat tujuan wisata kuliner,
karena memiliki banyak tempat makan tepatnya warung makan sederhana. Penelitian dilakukan pada bulan Januari sampai dengan Maret 2008 meliputi kegiatan penyusunan kuisioner, pengolahan data dan analisis data, kemudian penulisan laporan dalam bentuk skripsi.
3.2. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dari hasil survey menggunakan kuisioner yang
disebarkan kepada responden. Survey kepada responden dilakukan dengan wawancara menggunakan kuisioner. Kuisioner dalam penelitian ini terdiri atas kuisioner terbuka dan tertutup. Responden yang diwawancarai merupakan warung makan sederhana di sekitar kampus IPB Dramaga yaitu Daerah Babakan Raya, Babakan Tengah dan warung makan yang berada di dalam lingkungan kampus IPB Dramaga. Kuisioner terbuka dilakukan dengan cara peneliti memberi pertanyaan dan meminta responden menguraikan pendapat/pendiriannya dengan panjang lebar. Sedangkan kuisioner tertutup terdiri atas pertanyaan-pertanyaan dengan jumlah jawaban tertentu sebagai pilihan dan responden memilih jawaban yang paling sesuai dengan pendiriannya (Nasution, 2003).
Tabel 3.1. Data Primer dan Data Sekunder dalam Penelitian
Data Primer Data Sekunder
Uraian Sumber Data
Harga beras
Harga minyak
goreng
Harga minyak tanah
Harga daging sapi
Harga daging ayam
Harga ikan Data Produk Domestik Bruto Indonesia Jumlah perusahaan perdagangan di Kota Bogor Daftar perkembangan
harga rata‐rata
sembilan bahan
pangan dan barang
penting lainnya Badan Pusat Statistik Dinas Perindustrian, Perdagangan dan
Koperasi Kota Bogor
Dinas Perindustrian,
Perdagangan dan
Koperasi Kota Bogor
3.3. Metode Pengambilan Contoh
Data primer dalam penelitian ini diperoleh dari hasil kuisioner dan wawancara dengan pengelola dan pemilik usaha warung makan sederhana di sekitar kampus IPB Dramaga. Karena keterbatasan dana dan waktu, sampel yang diambil sebanyak 10 contoh (sampel) yang dikatakan sudah cukup untuk
mewakili usaha warung makan sederhana yang ingin diteliti, yaitu usaha warung nasi dimana masing-masing warung nasi dilakukan penelitian setiap hari selama bulan Maret 2008. Teknik penarikan contoh yang digunakan yaitu teknik penarikan contoh acak sederhana (Simple Random Sampling).
3.4. Model Penelitian Umum
Analisis yang berkenaan dengan tingkat keuntungan dan penjualan warung makan sederhana menggunakan model regresi linear berganda dan diestimasi dengan menggunakan metode Common Effect Model. Model regresi linear berganda merupakan model yang paling sederhana dan yang paling sering digunakan. Model yang digunakan dalam penelitian ini adalah sebagai berikut:
Model keuntungan: π = f(M, Pmg, Pmt, Pb, Ps, Pa, Pi) ... (3.1) atau: π = a0 + a1M + a2Pmg + a3Pmt + a4Pb + a5Ps + a6Pa + a7Pi + e ... (3.2) dimana: π = Keuntungan usaha (Rp). M = Modal usaha (Rp).
Pmg = Harga minyak goreng (Rp/Kg). Pmt = Harga minyak tanah (Rp/Liter). Pb = Harga beras (Rp/Liter).
Ps = Harga daging sapi mentah (Rp/Kg). Pa = Harga daging ayam mentah (Rp/Kg). Pi = Harga ikan mentah (Rp/Kg).
a0 = Konstanta.
ai = Koefisien (i=1,2,3,…,n). e1 = Error.
3.5. Metode Analisis Data Panel
Suatu penelitian terkadang dihadapkan pada persoalan mengenai ketersediaan data (data availability) untuk mewakili variabel yang digunakan dalam penelitian. Misalnya, bentuk data dalam series yang tersedia pendek sehingga proses pengolahan data time series tidak dapat dilakukan berkaitan dengan persyaratan jumlah data yang minim. Atau bentuk data dengan jumlah unit cross section yang terbatas, sehingga sulit dilakukan proses pengolahan data cross section untuk mendapatkan informasi dari model yang diteliti. Berdasarkan teori ekonometrika kedua kondisi tersebut dapat diatasi dengan menggunakan data panel (pooled data) agar diperoleh hasil estimasi yang lebih baik/efisien dengan terjadinya peningkatan jumlah observasi yang berimplikasi terhadap peningkatan derajat kebebasan (degree of freedom). Data time series dalam penelitian ini adalah waktu pengumpulan data dengan kuisioner yang dilaksanakan pada tanggal 1 – 31 Maret 2008, dan data cross section berupa jumlah usaha warung makan yang menjadi responden.
Metode pengolahan data yang digunakan dalam skripsi ini adalah teknik estimasi model dengan menggunakan data panel (pooled data). Data panel (pooled data) atau disebut juga data longitudinal merupakan kombinasi antara data time-series dan cross-section. Metode data panel merupakan suatu metode yang dapat digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time-series maupun data cross-section. Banyak keuntungan yang diperoleh dengan data panel, diantaranya seperti yang dikemukakan (Baltagi, 1995):
1. Mampu mengontrol heterogenitas individu.
2. Banyak memperoleh informasi yang lebih bervariasi, mengurangi kolinearitas antar variabel, meningkatkan degree of freedom dan lebih efisien.
3. Lebih banyak untuk studi dynamics of adjustment.
4. Mampu lebih baik dalam mengidentifikasi dan mengatur efek secara sederhana tidak dapat diatasi dalam data cross section murni atau time series murni.
5. Dapat menguji dan mengembangkan model perilaku yang lebih kompleks. Analisis model data panel terdiri dari tiga macam pendekatan, yaitu common effect model (ECM), fixed effect dan random effect. Ketiga pendekatan yang dilakukan dalam analisis data panel ini akan dijelaskan pada bagian berikut:
3.5.1. Common Effect Model (ECM)
Common Effect Model merupakan suatu metode pengkombinasian sederhana antara data time-series dan data cross-section dan selanjutnya dilakukan estimasi model yang mendasar menggunakan Kuadrat Terkecil Sederhana (OLS). Metode pooled OLS dapat dispesifikasikan ke dalam model berikut:
Ŷit = α + X it ... (3.3) dimana i (i = 10) menunjukkan urutan individu yang diobservasi pada data cross- section, sedangkan (t = 31) menunjukkan periode pada data time-series. Namun, pada metode ini asumsi yang digunakan menjadi terbatas karena model tersebut mengasumsikan bahwa intersep dan koefisien dari setiap variabel sama untuk
setiap individu yang diobservasi. Hal ini menyebabkan variabel-variabel yang diabaikan akan membawa perubahan pada intersep time-seris dan cross-section.
3.5.2. Metode Fixed Effect
Masalah yang timbul pada penggunaan metode common effect model yaitu adanya asumsi bahwa intersep dan koefisien dari setiap variabel sama pada setiap individu yang diobservasi. Untuk memperhitungkan individualitas dari setiap unit cross-section dapat dilakukan dengan cara menjadikan intersep berbeda pada tiap unit individu. Pada metode fixed effect ditambahkan variabel dummy untuk mengubah intersep, tetapi koefisien-koefisien lainnya tetap sama untuk setiap individu yang diobservasi. Metode ini dapat dispesifikasikan kedalam model berikut:
Ŷit=α+ i X it+ 2W3t+…+ N WNT+ 2 Zi2+ 3Zi3+...+ T Zit+ it ... (3.4) dimana: Wit = 1 untuk individu ke-i, i = 2,...,N; 0 untuk lainnya
Zit= 1 untuk individu ke-t, t = 2,...,T; 0 untuk lainnya
Variabel dummy (N-1) + (T-1) ditambahkan ke dalam model dan penambahan tersebut menghasilkan kolinearitas yang sempurna diantara variabel- variabel penjelas. Koefisien dari variabel dummy akan mengukur perubahan intersep cross-section dan time-series. Namun, dalam penelitian ini tidak dimasukkan variable dummy karena banyaknya variabel bebas pada model diduga akan menghasilkan kolinearitas yang sempurna. Terdapat beberapa masalah yang berhubungan dengan penggunaan metode fixed effect. Pertama, yaitu bahwa penggunaan variabel dummy yang tidak dapat mengidentifikasikan secara
langsung penyebab perubahan garis regresi pada periode dan individu. Kedua, yaitu teknik variabel dummy akan mengurangi jumlah derajat bebas (Pyndick dan Rubinfeld, 1998).
3.5.3. Metode Random Effect
Penggunaan variabel dummy pada metode fixed effect masih menghasilkan kekurangan pada informasi mengenai model. Oleh karena itu, kekurangan informasi tersebut dapat digambarkan melalui komponen galat (disturbance atau error term).Pada metode random effect dimasukkan komponen galat (error term) ke dalam model untuk menjelaskan variabel prediktor (explanatory variable) yang tidak masuk ke dalam model, komponen non linearitas hubungan variabel bebas dan variabel tidak bebas, kesalahan ukur saat observasi dilakukan serta kejadian yang sifatnya acak. Metode random effect dapat dispesifikasikan kedalam model berikut:
Ŷit=α+ i X it+ it ... (3.5) it=Ui+Vt+Wit ... (3.6) dimana Ui ~ N (0, σμ 2) = komponen galat cross-section
Vt ~ N (0, σ u 2) = komponen galat time-series
Wt ~ N (0, σ w 2) = komponen galat time-series dan komponen galat cross section.
Pemilihan model yang digunakan dalam suatu penelitian perlu dilakukan berdasarkan pertimbangan statistik. Hal ini ditujukan untuk memperoleh dugaan
yang efisien. Diagram pengujian statistik untuk memilih model yang digunakan dapat dilihat pada gambar berikut ini:
Gambar 3.1. Pengujian Pemilihan Model dalam Pengolahan Data Panel
Secara umum, dalam pengujian estimasi model-model data panel diperlukan sebuah strategi. Strategi yang dapat dilakukan adalah dengan menguji:
a) RE vs FE (Hausman Test). b) PLS vs FE (Chow Test).
Kerangka pengambilan keputusan dalam memilih sebuah model yang digunakan adalah sebagai berikut:
• Jika (b) tidak signifikan maka gunakan Pooled Least Square.
• Jika (b) signifikan namun (a) tidak signifikan maka gunakan andom Effect Model.
• Jika keduanya signifikan maka gunakan Fixed Effect Model.
Urutan individu yang diobservasi pada data cross section ditunjukkan oleh i, sedangkan t menunjukan periode pada data time-series. Formulasi dari metode Random Effect diperoleh dari model Fixed Effect dengan mengasumsikan bahwa efek rata-rata dari variabel-variabel time-series dan cross section yang acak termasuk ke dalam intersep dan deviasi acak rata-rata tersebut sama dengan komponen galat, ui dan vt. Pada metode Random Effect diasumsikan bahwa
Chow Test Fixed Effect Random Effect Pooled Least Hausman Test LM Test
komponen galat individual tidak berkolerasi satu sama lain dan tidak ada autokolerasi antara setiap unit cross section dan time-series (Pyndick dan Rubinfeld, 1998).
Chow Test
Chow Test dimana beberapa buku menyebutnya sebagai pengujian Fstatistik
adalah pengujian untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effect. Sebagaimana yang diketahui bahwa asumsi setiap unit cross section memiliki perilaku yang sama cenderung tidak realistis mengingat dimungkinkan setiap unit cross section memiliki perilaku yang berbeda. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut:
H0 = Model Pooled Least Square
H1 = Model Fixed Effect
Dasar penolakan terhadap Hipotesis Nol (H0) adalah dengan menggunakan Fstatistik
seperti yang dirumuskan oleh Chow:
) ( ) ( ) 1 ( ) ( 2 2 1 K N NT ESS N ESS ESS CHOW − − − − = ... (3.7) dimana:
ESS1 = Residual Sum Square hasil pendugaan model Fixed Effect
ESS2 = Residual Sum Square hasil pendugaan model Pooled Least Square
N = Jumlah data cross section T = Jumlah data time series K = Jumlah variable penjelas
Statistik Chow Test mengikuti distribusi Fatatistik dengan derajat bebas (N-1, NT-N-
bukti untuk melakukan penolakan terhadap Hipotesis Nol sehingga model yang digunakan adalah model Fixed Effect, dan begitu juga sebaliknya. Pengujian ini disebut sebagai Chow Test karena kemiripannya dengan Chow Test yang digunakan untuk menguji stabilitas parameter (stability test).
Hausman Test
Hausman Test adalah pengujian statistik sebagai dasar pertimbangan dalam memilih apakah menggunakan model Fixed Effect atau model Random Effect. Seperti yang telah diketahui bahwa penggunaan model Fixed Effect mengandung suatu unsur trade off yaitu hilangnya derajat kebebasan dengan memasukkan variabel dummy. Namun, penggunaan model Random Effect pun harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat. Hausman Test dilakukan dengan hipotesis sebagai berikut:
H0 = Random Effects Model
Hi = Fixed Effects Model
Dengan menggunakan software E-Views 4.1 sebagai dasar penolakan hipotesis nol yaitu jika Statistik Hausman Chi Square Table atau dapat juga dengan menggunakan nilai probabilitas (p-value). Jika p-value lebih kecil dari tingkat kritis nilai taraf nyata, maka tolak hipotesis untuk memilih Random Effects Model. Statistik Hausman dirumuskan dengan:
m = ( -b)(M0-M1)-1( -b) ~ X2(K) ... (3.8) dimana β adalah vector untuk statistik variable fix effect, b adalah vektor statistik variabel Random Effect, M0 adalah mariks kovarians untuk dugaan FEM, dan M1
Penelitian ini tidak dapat dilakukan Chow Test dan Hausman Test dikarenakan, pertama, ketika dilakukan bahasa pemrograman khusus untuk mengetahui apakah model Common Effect atau Fixed Effect didapat pesan bahwa “Near Singular Matrix” maka model tidak memenuhi syarat menggunakan Fixed Effect. Kedua, karena jumlah data Cross Section tidak lebih besar dibandingkan Time Series (sampelnya), maka model tidak memenuhi syarat Random Effect Model.
LM Test atau lebih lengkap disebut The Breusch-Pagon LM Test digunakan sebagai pertimbangan statistik dalam memilih model Random Effect atau Pooled Least Square. LM Test dilakukan dengan hipotesis sebagai berikut: H0 = Model Pooled Least Square
H1 = Model Random Effect
Dasar penolakan terhadap H0 adalah dengan menggunakan statistik LM yang
mengikuti distribusi dari Chi-Square. Statistik LM dihitung dengan menggunakan residual OLS yang diperoleh dari hasil estimasi model Pooled Least, dimana:
2 2 2 2 2 1 2 ~ 1 ) 1 ( 2 ε χ ε ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − ∑ ∑ ∑ − = T T NT LM ... (3.9) Jika nilai LM hasil perhitungan lebih besar dari χ2
tabel, maka cukup bukti untuk
melakukan panolakan terhadap hipotesis nol, sehingga model yang digunakan adalah model Random Effect, dan begitu pula sebaliknya.
3.6. Uji Validitas Model 3.6.1. Uji tstatistik
Pengujian ini dilakukan untuk melihat apakah masing-masing variabel bebas (secara parsial) berpengaruh pada variabel terikatnya.
Hipotesis: 0 : 0 i = H β 0 : 1 i ≠ H β , i=1,2,3,…,n.
Uji statistik yang digunakan adalah uji t :
b S B b− = hitung - t ... (3.10)
dengan hasil thitung dibandingkan dengan ttabel (ttabel = tα 2(n−k)). dimana:
b = Koefisien regresi parsial sample. B = Koefisien regresi parsial populasi. Sb = Simpangan baku koefisien dugaan.
Kriteria uji yang digunakan adalah apabila nilai thitung>tα 2(n−k), maka tolak H0, sedangkan apabila nilai thitung<tα 2(n−k), maka terima H0. Hasil yang
didapatkan dari perbandingan tersebut jika thitung>ttabel maka tolak H0 berarti
variabel signifikan berpengaruh nyata pada taraf nilai nyata. Hasil yang didapat jika thitung<ttabel maka terima H0 yang berarti variabel yang digunakan tidak
3.6.2. Uji Fstatistik
Uji Fstatistik digunakan untuk menduga persamaan secara keseluruhan. Uji
Fstatistik dapat menjelaskan kemampuan variabel eksogen secara bersamaan dalam
menjelaskan keragaman variabel endogen. Hipotesis yang diuji dari pendugaan persamaan adalah variabel eksogen tidak berpengaruh nyata terhadap variabel endogen. Hal ini disebut sebagai hipotesis nol. Mekanisme yang digunakan untuk menguji hipotesis dari parameter dugaan secara serentak (uji Fstatistik) adalah:
0 ...
: 0 1 2
0 = = = = i =
H β β β β (tidak ada pengaruh nyata variabel-variabel persamaan).
:
i
H minimal salah satu βi ≠0(paling sedikit ada 1 variabel eksogen yang berpengaruh nyata terhadap variabel endogen). dimana: i =1, 2, 3,…, k;
β= dugaan parameter Statistik uji yang dilakukan dalam uji-F adalah:
Fhitung = k n R k R − − − ) 2 2 1 ( 1 ... (3.11) Keterangan :
Hasil dari Fhitung dibandingkan dengan Ftabel (Ftabel = Fα(k-1, n-k)).
dimana :
R2 = Koefisien determinasi N = Banyaknya data
K = Jumlah koefisien regresi dugaan
Kriteria uji yang digunakan adalah apabila nilai Fhitung lebih besar dari Fα(k- 1, n-k),maka tolak H0, sedangkan apabila nilai Fhitung lebih kecil dari Fα(k-1, n-k), maka
terima H0. Hasil yang didapatkan dari perbandingan tersebut jika Fhitung lebih
besar dari Ftabel maka tolak H0, artinya ada minimal satu parameter dugaan yang
tidak nol dan berpengaruh nyata terhadap keragaman variabel endogen. Hasil yang didapat jika Fhitung lebih kecil dari Ftabel maka terima H0, artinya secara
bersama variabel yang digunakan tidak bisa menjelaskan secara nyata keragaman dari variabel endogen.
3.6.3. Koefisien Determinasi (R2)
Koefisien determinasi (R2) dan Adjusted R2 digunakan untuk melihat sejauh mana variabel bebas mampu menerangkan keragaman variabel terikatnya. Menurut Gujarati (1993) terdapat dua sifat R2 yaitu :
1. Merupakan besaran non-negative.
2. Batasnya adalah 0≤R2 ≥1. Jika R2 bernilai 1 berarti suatu kecocokan sempurna, sedangkan jika nilai R2 bernilai 0 berarti tidak ada hubungan antara variabel terikat dan bebasnya.
Nilai koefisien determinasi dapat dihitung sebagai berikut:
TSS ESS R2 = TSS RSS − =1 2 2 1 i i y e Σ Σ − = ... (3.12)
dimana ESS adalah jumlah kuadrat yang dijelaskan (explained sum square) dan TSS adalah jumlah kuadrat total (total sum square).
Salah satu masalah jika menggunakan ukuran R2 untuk menilai baik buruknya suatu model adalah akan selalu mendapatkan nilai yang terus naik seiring dengan pertambahan variabel bebas ke dalam model, sehingga Adjusted R- squared bisa juga digunakan untuk melihat sejauh mana variabel bebas mampu menerangkan keragaman variabel terikatnya. Adjusted R-squared secara umum memberikan penalty atau hukuman terhadap penambahan variabel bebas yang tidak mampu menambah daya prediksi suatu model. Nilai Adjusted R-squared tidak akan pernah melebihi nilai R2 bahkan dapat turun jika ditambahkan variabel bebas yang tidak perlu. Bahkan untuk model yang memiliki kecocokan rendah (goodnes of fit), Adjusted R-squared dapat memiliki nilai yang negatif. Nilai Adjusted R-squared dapat dihitung sebagai berikut:
) 1 ( ) ( 2 2 2
1
− Σ − Σ−
=
n y k N e i iR
... (3.13)dimana k adalah banyaknya parameter dalam model termasuk faktor intersep. Persamaan (3.4) dapat ditulis sebagai berikut :
2 2 2 1 y S R = − σ ... (3.14)
dimana σ2 adalah varians residual dan 2
y
S adalah varians sample dari Y.
3.7. Evaluasi Model
Usaha untuk mendapatkan model yang terbaik perlu dilakukan pendeteksian terhadap pelanggaran atau gangguan asumsi klasik, yaitu gangguan antar waktu (time-related disturbance), gangguan antar individu (cross sectional
disturbance) atau keduanya. Hasil estimasi model tersebut diharapkan memperoleh konstanta intersep yang berbeda-beda untuk masing-masing warung makan setiap harinya.
3.7.1. Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi dalam analisis regresi linear berganda adalah keragaman dari masing-masing populasi menyebar normal atau homoskedastisitas. Jika ragam masing-masing tidak sama, maka terjadi masalah heteroskedastisitas. Hal ini mengakibatkan estimasi yang dihasilkan tidak efisien tetapi tetap menghasilkan estimator yang unbiased dan konsisten. Dengan kata lain, jika regresi tetap dilakukan maka akan terjadi misleading (Gujarati, 2003).
Gejala heteroskedastisitas umumnya dapat dideteksi dengan menggunakan uji White Heteroskedasticity pada program E-Views. Pengujian ini dilakukan dengan membandingkan nilai Obs*R-Squared dengan χ2 (Chi-Squared) tabel. Jika nilai Obs*R-Squared lebih kecil dari χ2 (Chi-Squared) tabel, maka tidak terjadi heteroskedastisitas.
Data panel dalam program E-Views menggunakan metode General Least Square (Cross Section Weights). Heteroskedastisitas dideteksi dengan cara membandingkan nilai Sum Square Residual pada Weighted Statistik dengan Sum Square Residual pada Unweighted Statistik. Jika nilai Sum Square Residual pada Weighted Statistik lebih kecil daripada Sum Square Residual pada Unweighted Statistik, maka terjadi heteroskedastisitas. Hal tersebut dilakukan estimasi GLS dengan White Heteroskedasticity.
3.7.2. Autokorelasi
Di dalam berbagai penelitian seringkali terjadi adanya hubungan antara gangguan estimasi satu observasi dengan gangguan estimasi observasi yang lain. Nisbah antara observasi inilah yang disebut sebagai masalah autokorelasi. Adanya autokorelasi akan menyebabkan terjadinya:
a. Tidak menghasilkan nilai estimasi BLUE (Best Linear Unbiased Estimations).
b. Nilai galat baku ter-autokorelasi, sehingga ramalan tidak efisien. c. Ragam galat terbias.
d. Terjadi pendugaan kurang pada ragam galat (standar error underestimated), sehingga Sb underestimated. Oleh karena itu, t overestimate cenderung lebih besar dari yang sebenarnya dan tadinya tidak signifikan menjadi signifikan.
Gejala autokolerasi dapat dideteksi dengan membandingkan nilai DWstatistik dengan DWtabel. Pengujian hipotesisnya adalah sebagai berikut:
H0 : Tidak ada autokolerasi.
H1 : Ada autokolerasi.
Adapun kriteria autokolerasi dapat dilihat pada Tabel 3.1 berikut ini:
Tabel 3.2. Kriteria Identifikasi Autokolerasi
Nilai DW Kesimpulan
4 – dl < DW < 4 Tolak H0, terdapat autokolerasi negatif
4 – du < DW < 4 – dl Hasil tidak dapat ditentukan 2 < DW < 4 – du Terima H0, tidak ada autokolerasi
du < DW < 2 Terima H0, tidak ada autokolerasi
dl < DW < du Hasil tidak dapat ditentukan
0 < DW < dl Tolak H0, terdapat autokolerasi positif
3.7.3. Multikolinearitas
Multikolinearitas adalah adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Tanda-tanda adanya multikolinearitas adalah:
1. Tanda tidak sesuai dengan yang diharapkan.
2. R2-nya tinggi tetapi uji individu tidak banyak atau bahkan tidak ada yang berpengaruh nyata.
3. Korelasi sederhana antar variabel individu tinggi (rij tinggi).
4. R2 < rij2 menunjukkan adanya multikolinieritas.
Konsekuensi multikolinieritas adalah hasil estimasi tidak dapat ditentukan dan galat baku menjadi tinggi, sehingga prediksi menjadi tidak benar. Indikasi multokolinearitas dapat dilihat dari hasil tstatistik dan Fstatistik. Jika terdapat salah
satu nilai tsatistik yang diduga tidak signifikan sementara Fstatistik-nya signifikan,
maka diduga terdapat multikolinearitas. Multikolinearitas dapat diatasi dengan perlakuan cross section weight, sehingga tstatistik dan Fstatistik singnifikan. Solusi lain
dari permasalahan ini adalah:
1. Menggunakan extraneous atau informasi sebelumnya.
2. Mengkombinakasikan data cross-sectional dan data time-series. 3. Meninggalkan variabel yang sangat berkorelasi.
4. Mentransformasikan data.
3.8. Rasio R/C
Analisis Return Cost Ratio atau R/C adalah perbandingan (nisbah) antara penerimaan dan biaya. Return Cost Ratio digunakan untuk mengukur efisiensi usaha terhadap setiap penggunaan setiap input. Analisis imbangan penerimaan dan biaya digunakan untuk mengetahui relatif kinerja usaha berdasarkan perhitungan finansial. R/C=TR/TC ... (3.15) dimana: TR = Total Penerimaan. TC = Total Pengeluaran. Kriteria: R/C > 1, usaha menguntungkan.
R/C = 1, usaha tidak untung dan tidak rugi. R/C < 1, usaha tidak menguntungkan atau rugi.
Apabila R/C bernilai lebih dari satu berarti penerimaan yang diperoleh lebih besar dibandingkan setiap unit biaya yang dikeluarkan untuk menerima penerimaan tersebut. Apabila nilai R/C tersebut kurang dari satu maka setiap unit biaya yang dikeluarkan lebih besar dibandingkan penerimaan yang diperoleh.
IV. ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI