IV. METODOLOGI PENELITIAN
4.7. Pengujian Parameter
Menurut Firdaus dan Afendi (2005) dalam Minha (2008), Odds
merupakan rasio peluang kejadian sukses dengan kejadian tidak sukses dari variabel respon. Dalam hubungan antar variabel kategori terdapat ukuran asosiasi atau ukuran keeratan hubungan antar variabel kategori. Salah satu ukuran asosiasi yang dapat diperoleh dari analisis regresi logit adalah odds ratio. Sehingga odds ratio dapat dikatakan sebagai suatu interpretasi dari peluang.
Koefisien yang bertanda positif menunjukkan nilai odds ratio yang lebih besar dari satu, hal tersebut mengindikasikan bahwa peluang kejadian sukses lebih besar dari peluang kejadian tidak sukses, yaitu peluang responden ’bersedia membayar’ dalam upaya pelestarian alam dan lingkungan Danau Situgede lebih besar dari peluang responden ’tidak bersedia membayar’. Sedangkan koefisien yang bertanda negatif mengindikasikan bahwa peluang kejadian tidak sukses lebih besar dari peluang kejadian sukses.
4.7.2. Likelihood Ratio
Likelihood Ratio merupakan suatu rasio kemungkinan maksimum yang digunakan untuk menguji peranan variabel penjelas secara serentak (Hosmer dan Lemeshow, 1989 dalam Yavanica, 2009). Statistik Uji G merupakan uji statistik yang dapat menunjukkan nilai dari Likelihood Ratio. Rumus umum untuk uji G adalah :
40 ^ ^ ^ li lo G 2ln dimana :
l0 = nilai likehood tanpa variabel penjelas li = nilai likehood model penuh
Pengujian terhadap hipotesis pada uji G adalah sebagai berikut : H0 : β1= β2 =…= 0
H1 : minimal ada satu βi tidak sama dengan nol, dimana i =1,2,…, n
Statistik G akan mengikuti sebaran λ2 dengan derajat bebas α. Kriteria keputusan yang diambil adalah jika G > λ2p (α), maka hipotesis nol (H0) ditolak. Uji G juga dapat digunakan untuk memeriksa apakah nilai yang diduga dengan peubah di dalam model lebih baik jika dibandingkan dengan model tereduksi (Hosmer dan Lemeshow, 1989 dalam Yavanica, 2009). Berdasarkan hasil estimasi model logit dengan menggunkan software SPSS for Windows, nilai Chi-Square
yang merupakan rasio kemungkinan maksimum atau Likelihood Ratio dapat dilihat pada tabel Omnibus Tests of Model Coefficients.
4.7.3. Uji Wald
Uji Wald digunakan untuk uji nyata parsial bagi masing-masing koefisien variabel. Dalam pengujian hipotesis, apabila koefisien dari variabel penjelas sama dengan nol, hal tersebut menunjukkan bahwa variabel penjelas tidak berpengaruh pada variabel respon. Menurut Hosmer dan Lemeshow (1989) dalam Yavanica (2009), statistik uji wald dapat didefinisikan sebagai berikut :
βj
Wj =
41 ^ ^ ^ dimana : Wj = Uji Wald βj = Penduga βj
SE(βj) = Penduga galat baku dari βj
Uji Wald melakukan pengujian terhadap hipotesis : H0 : βj = 0
H1 : βj ≠ 0, dimana j = 1, 2, …, n
Uji Wald mengikuti sebaran normal baku dengan kaidah keputusan menolak H0 jika w > Zα/2.
4.7.4. Koefisien Determinasi (R2)
Koefisien determinasi merupakan suatu nilai statistik yang dapat digunakan untuk mengukur ketepatan/ kecocokan suatu garis regresi serta dapat pula digunakan untuk mengetahui besarnya kontribusi variabel bebas (x) terhadap variasi variabel (Y) dari suatu persamaan regresi (Firdaus, 2004). Dalam Hanley dan Spash (1993), Mitchell dan Carson (1989) merekomendasikan 15% atau 0,15 sebagai batas minimum dari R2 yang realibel. Apabila nilai R2 yang diperoleh lebih kecil dari 0,15 maka penggunaan CVM ini tidak realibel, sedangkan nilai R2 yang tinggi atau lebih besar dari 0,15 menunjukkan tingkat reabilitas yang baik dalam penggunaan CVM.
4.7.5. Uji Statistik t
Uji statistik t merupakan uji yang dilakukan untuk mengetahui seberapa jauh masing-masing variabel bebas (Xi) berpengaruh terhadap variabel tidak bebasnya (Yi). Adapun prosedur pengujian yang dikemukakan oleh Ramanathan (1997) adalah sebagai berikut :
42 H0 : β1 = 0 atau variabel bebas (Xi) tidak berpengaruh nyata terhadap variabel
tidak bebasnya (Yi)
H0 : β1 ≠ 0 atau variabel bebas (Xi) berpengaruh nyata terhadap variabel tidak bebasnya (Yi)
Jika t hit (n-k) < tα/2, maka H0 diterima, artinya variabel berarti variabel (Xi) tidak berpengaruh nyata terhadap (Yi). Namun, jika t hit (n-k) > tα/2, maka H0 ditolak, artinya variabel (Xi) berpengaruh nyata terhadap (Yi).
4.7.6. Uji Statistik F
Uji statistik F dilakukan untuk mengetahui pengaruh variabel bebas (Xi) secara bersama-sama terhadap variabel tidak bebasnya (Yi). Menurut Ramanathan (1997) prosedur pengujiannya antara lain :
H0= β1= β2 = β3 = .... = β = 0 H1= β1= β2 = β3 = .... = β ≠ 0
dimana :
JKK = Jumlah kuadrat untuk nilai tengah kolom JKG = Jumlah kuadrat galat
n = Jumlah sampel k = Jumlah peubah JKK / (k-1) F hit = JKG / k (n-1) βi- 0 t hit (n-k) = sβi
43 Jika Fhit < Ftabel, maka H0 diterima yang berarti variabel (Xi) secara serentak tidak berpengaruh nyata terhadap (Yi). Tetapi, jika Fhit > Ftabel, maka H0 ditolak yang berarti variabel (Xi) secara serentak berpengaruh nyata terhadap (Yi).
4.7.7. Uji Kenormalan
Uji normalitas diperlukan untuk mengetahui apakah error term dari data atau observasi yang jumlahnya kurang dari 30 mendekati sebaran normal sehingga statistik t dapat dikatakan sah. Data atau observasi dalam penelitiaan ini jumlahnya lebih dari 30, oleh karena itu data telah mendekati sebaran normal sehingga diketahui bahwa statistik t dapat dikatakan sah. Namun, untuk meyakini data mendekati sebaran normal perlu dilakukan sebuah uji. Salah satu uji yang dapat dilakukan adalah uji Kolmogorov Smirnor. Hasil uji Kolmogorov Smirnor dapat dilihat pada hasil analisis regresi berganda yaitu pada tabel One Sample Kolmogorov Smirnov Test.
4.7.8. Uji Multikolinear
Multikolinear merupakan salah satu masalah yang sering timbul dalam
Ordinary Least Square (OLS), yaitu terjadinya hubungan korelasi yang kuat antar peubah-peubah bebas. Menurut Koutsoyianniss dalam Majid (2008), deteksi adanya multikolinear dapat dilakukan dengan membandingkan besarnya nilai koefisian determinasi (R2) dengan koefisien determinasi parsialnya antar dua peubah bebas (r2).
Multikolinear dapat dianggap tidak bermasalah apabila koefisien determinasi parsial antar dua peubah bebas tidak melebihi nilai koefisien determinansi atau koefisien korelasi berganda antar semua peubah secara simultan. Namun, akan menjadi masalah apabila koefisien determinasi parsial
44 antar dua peubah bebas melebihi atau sama dengan nilai koefisien determinansi atau koefisien korelasi berganda antar semua peubah secara simultan. Secara matematis dapat dituliskan dalam pertidaksamaan berikut :
r2xj, xj > R2 x1, x2, ...., xk
Masalah multikolinear dapat diketahui dengan melihat langsung melalui output regresi berganda, dengan melihat nilai VIF, dimana jika nilai VIF > 10 maka terdapat masalah multikolinear.
4.7.9. Uji Heteroskedastisitas
Salah satu asumsi metode pendugaan metode kuadrat terkecil adalah homoskedastisitas, yaitu ragam galat konstan dalam setiap amatan. Pelanggaran atas asumsi homoskedastisitas adalah heteroskedastisitas. Untuk mendeteksi adanya masalah heteroskedastisitas maka dilakukan uji heteroskedastisitas seperti yang disarankan oleh Goldfeld dan Quandt dalam Ramanathan (1997). Langkah-langkah pengujian heteroskedastisitas dengan uji white heteroskedastisitas sebagai berikut :
H0 : tidak ada heteroskedastisitas H1 : ada masalah heteroskedastisitas Tolak H0 jika obs* R2> λ2
df-2 atau probability obs* R2 < α
Gejala heteroskedastisitas juga dapat dideteksi dengan melihat dari plot grafik hubungan antar residual dengan fits-nya. Jika pada gambar ternyata residual menyebar dan tidak membentuk pola tertentu, maka dapat dikatakan bahwa dalam model tersebut tidak terdapat gejala heteroskedastisitas atau ragam error sama.