IV. METODOLOGI PENELITIAN
4.5 Metode Analisis
4.5.3 Analisis WTP terhadap Upaya Perbaikan Lingkungan Perumahan Analisis WTP bertujuan untuk mengestimasi besarnya nilai kesediaan
4.5.3.2 Pengujian Parameter
Pengujian parameter regresi dilakukan dengan menguji signifikansi nilai koefisien regresi secara parsial yang diperoleh dengan metode Ordinary Least Square (OLS). Pengujian parameter secara statistik menguji apakah persamaan matematis yang akan dipergunakan untuk meramalkan sudah cocok atau belum (goodness of fit test) atau menguji apakah setiap koefisien dari suatu variabel bebas dapat menunjukkan bahwa pengaruh variabel tersebut terhadap variabel tak bebas cukup nyata (significant) (Firdaus, 2004).
a. Pengujian statistik
Pengujian statistik terhadap model dapat dilakukan dengan tiga cara, yaitu uji keandalan, uji statistik t, dan uji statistik f.
1. Uji keandalan
Menurut Firdaus (2004), koefisien determinasi mengukur tingkat ketepatan/kecocokan (goodness of fit) dari regresi linear sederhana maupun berganda. Pada regresi linear berganda hubungan tiga variabel yaitu regresi Y terhadap X2 dan X3, ingin diketahui berapa besarnya persentase sumbangan X2
dan X3 terhadap variasi naik turunnya Y secara bersama-sama. Besarnya persentase sumbangan ini disebut koefisien determinasi berganda (R²). Semakin dekat nilai R² dengan satu, maka semakin cocok garis regresi untuk meramalkan Y.
Menurut Juanda (2009), Kelemahan R2 sebagai ukuran goodness of fit
bahwa R2 menyinggung keragaman Y yang dijelaskan dan tidak djelaskan, tetapi tidak menerangkan derajat bebas atau jumlah peubah penjelas dalam model. Solusi alamiahnya adalah menggunakan ragam, bukan keragaman yang menghilangkan ketergantung goodness of fit terhadap jumlah peubah bebas dalam model. Ajusted R2 mempunyai karakteristik yang diinginkan sebagai ukuran
goodness of fit dari R2. Jika peubah baru ditambahkan, R2 selalu naik, tetapi
adjusted R2 dapat naik atau turun R2 terkoreksi atau adjusted R2 dapat didefinisikan pada Persamaan 4.11, sebagai berikut:
Adjusted R2 = 1- (1-R2) �−1
Dari persamaan (4.11) terlihat bahwa:
1. Jika K=1 maka R2 sama dengan adjusted R2 2. Jika K<1 maka R2≥ adjusted R2
3. Adjusted R2 dapat bernilai negatif 4. Statistik uji t
Menurut Firdaus (2004), analisis untuk menguji signifikasi nilai koefisien regresi secara parsial yang diperoleh dengan menggunakan metode OLS adalah statistik uji t. Rumus umum untuk mencari nilai thitung dari masing-masingkoefisien regresi dilihat pada Persamaan 4.12, sebagai berikut:
...(4.12)
Hipotesis statistik: Ho: β = 0 (X tidak berpengaruh terhadap Y)
H1: β ≠ 0 (X berpengaruh terhadap Y)
Nilai thitung dibandingkan dengan nilai ttabel. Jika thit> ttabmaka Ho diterima atau terima Ho jika thit>ttab , dengan ttabel = t 0,5α;df=n-2
5. Statistik uji f
Menurut Firdaus (2004), pengujian hipotesis koefisien regresi berganda dilakukan dengan analisis varian. Analisis varian dalam regresi berganda pada hakikatnya diperlukan untuk menunjukkan sumber-sumber variasi yang menjadi komponen variasi dari model regresi. Analisis varian ini akan menghasilkan pengertian tentang bagaimana pengaruh sekelompok variabel bebas secara bersama-sama terhadap variabel tak bebas. Statistik uji yang digunakan dalam hal ini adalah statistik uji F. Rumus umum untuk mencari nilai fhitung dilihat pada Persamaan 4.13, sebagai berikut:
Statistik uji:
F hitung = ...(4.13) Keterangan:
JKK = jumlah kuadrat untuk nilai tengah kolom JKG = jumlah kuadrat galat
K = jumlah peubah Kriteria uji: b s b t
Tolak H0 jika Fhit ≥ Ftab , Ftab = Fα(v1,v2) dimana v1 = 1 dan v2 = n 2
b. Pengujian ekonometrika
Pengujian ekonometrika terhadap model dapat dilakukan dengan uji asumsi klasik. Asumsi yang dimaksud adalah data residual menyebar normal, tidak ada hubungan linear sempurna antar variabel bebas, komponen sisaan memiliki nilai harapan sama dengan nol dan ragamnya konstan untuk setiap pengamatan, serta tidak adanya korelasi antar sisaan. Uji asumsi klasik ini terdiri dari uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.
1. Uji normalitas
Menurut Juanda (2009), normalitas adalah suatu kondisi dalam model regresi dimana variabel sisaan memiliki distribusi normal. Normalitas dalam statistik parameter seperti regresi dan Analysis of Variance merupakan syarat utama. Maksud data berdistribusi normal adalah bahwa data akan mengikuti bentuk distribusi normal. Uji normalitas bertujuan untuk mengetahui apakah sisaan terstandardisasi yang diteliti berdistribusi normal atau tidak. Uji normalitas dilakukan pada nilai sisaan model. Asumsi normalitas dapat diperika dengan pemeriksaan output normal P-P plot atau normal Q-Q plot. Asumsi normalitas terpenuhi ketika penyebaran titik-titik output plot mengikuti garis diagonal plot dan ketika pengujian menghasilkan P-value(Sign) > α. Nilai α. ditentukan sebesar 1%, 5%, atau 10%.
2. Uji multikolinearitas
Menurut Juanda (2009), salah satu asumsi dari model regresi berganda adalah bahwa tidak ada hubungan linear sempurna antar peubah bebas dalam model tersebut, jika hubungan tersebut ada maka dikatakan bahwa peubah bebas tersebut berkolinearitas ganda sempurna (multikolinearitas). Multikolinearitas dapat dideteksi dari nilai Variance Inflation Factor (VIF). Jika VIF > 10, maka dapat diambil kesimpulan bahwa model tersebut mengalami multikolinearitas.
3. Uji heteroskedastisitas
Menurut Juanda (2009), salah satu asumsi dari model regresi berganda adalah bahwa ragam sisaan sama atau homogen. Jika ragam sisaan tidak sama untuk tiap pengamatan ke-i dari peubah-peubah bebas dalam model regresi maka
akan mengalami heteroskedastisitas. Salah satu cara untuk mendeteksi heteroskedastisitas adalah dengan melakukan uji white. Tahapan dalam melakukan uji white adalah sebagai berikut:
a. Estimasi regresi dengan OLS sehingga memperoleh residu ei, b. Lalu kerjakan regresi pelengkap berikut ini:
ei2= Ai+ A2 X2i+A3 X3i+A4 X2i2+A5 X3i2+A6 X2i X3i+vi
c. Tentukan nilai R2 dari regresi pelengkap dengan hipotesis nol bahwa tidak ada heteroskedastisitas.
d. Jika nilai khi- kuadrat yang diperoleh melebihi nilai khi-kritis pada tingkat signifikansi yang dipilih atau jika nilai ρ nilai khi-kuadrat yang dihitung cukup rendah (1-5%), hipotesis nol bisa ditolak.
4. Uji autokorelasi
Menurut Juanda (2009), salah satu asumsi dari model regresi linear adalah bahwa tidak ada korelasi serial antar sisaan. Jika antar sisaan tidak bebas, maka dapat dikatakan model mengalami autokorelasi. Masalah ini dapat dilihat dari sisaan dalam suatu periode waktu berkorelasi langsung dengan sisaan dalam periode waktu berikutnya. Statistik uji yang sering digunakan adalah uji Durbin-Watson. Menurut Gujarati (2003), untuk mengetahui ada atau tidaknya autokorelasi dapat digunakan uji Breusch- Godfrey dengan hipotesa:
H0 : Tidak ada autokorelasi H1 : Ada autokorelasi
Jika probabilitas R2 lebih dari 0,05 berarti H0 ditolak, artinya terjadi autokorelasi dalam model.