BAB II KAJIAN PUSTAKA
2.2. Penelitian Terdahulu
Penelitian ini akan menganalisis hubungan antara pertumbuhan ekonomi dengan perubahan kualitas lingkungan melalui variabel gas CO2. Berbagai penelitian tentang hubungan antara pertumbuhan ekonomi dengan perubahan kualitas lingkungan telah banyak dilakukan dan didapatkan hasil yang beragam.
Tabel 2.1 : Penelitian Terdahulu
No Peneliti/Judul Penelitian
Variabel Penelitian
Metode Penelitian
Hasil 1 Grossman and
Krueger (1991) Environmental Impacts Of A North American Free Trade
Agreement
GDP pc. Trade Openness,
SO2, dark matter, suspended
particles concentrations
Analisis regresi data
panel.
EKC untuk SO2 dan dark matter. Trade
openness berpengaruh negatif signifikan
terhadap SO2 concentrations 2 Grossman and
Krueger (1995) Economic Growth And The Environment
GPD pc Concentrations
of SO2, SPM, smoke, BOD
and fecal coliform)
Analisis regresi data
panel.
Mayoritas variabel dependen mendukung EKC
3 Grunewald&
Martínez- Zarzoso(2009) Driving Factors of
Carbon Dioxide Emissions and the Impact from
Kyoto Protocol
LCO2, GDP, GDP2, Population, Industrial AVA, Dummy Kyoto,
CDM, EIT CO2
Analisis regresi data
panel dinamis.
Untuk Semua LCO2, Population, Industrial AVA
berpengaruh positif signifikan GDP, GDP2, EIT
berpengaruh positif tidak
signifikan.
Sementara itu, Dummy Kyoto,
CDM berpengaruh
negatif tidak signifikan. Untuk
High IncomeLCO2, Population, GDP
berpengaruh positif signifikan
Sementara itu GDP2 Industrial
AVA berpengaruh negatif signifikan.
4 Grunewald&
Martínez-Zarzoso (2011)
Carbon Dioxide Emissions,Economic Growth and the Impact of the Kyoto Protocol
LCO2, GDP, GDP2, Population, Industrial AVA, Dummy Kyoto, CO2
Analisis regresi data
panel dinamis
LCO2, Population,
Industrial AVA,GDP berpengaruh positif signifikan,
GDP2, berpengaruh
negatif tidak signifikan.
Sementara itu, dan Dummy
Kyoto, berpengaruh negatif signifikan.
5 Rahmansyah (2012) The impact of human activities on carbon dioxide
emission in the Asian Countries from a spatial econometric perspective
GDP, Population, Teknologi, CO2
Analisis Spasial
GDP dan Population,
,memiliki pengaruh yang positif signifikan,
sedangkan Technology berpengaruh negatif signifikan.
6 Baaij (2013) The effect of the global financial crisis
on the emission of carbon dioxide
Energy use per capita (EU), Percentage of
fossil fuel energy consumption (FF), GDP, Oil
Prince(OP), Dummy Crisis,
CO2
Analisis regresi data
panel dengan SUR, dan
WCS
EU, FF ,GDP mayoritas berpengaruh positif signifikan
Sementara itu, OP, dan mayoritas Dummy Crisis
berpengaruh positif/negatif
tidak signifikan 7 Bel & Joseph (2015)
Emission abatement:
Untangling the impacts of the EU
ETS and the economic crisis
Lco2,Nace-D, C-Gas, C-Coal,
C-Elec, Electricity,GDP,
Dummy Crisis, And Policy
CO2
Analisis regresi data
panel dinamis dengan GMM
Lco2,Nace-D dan C-Elec, GDP
Hasil menunjukan
bahwa berpengaruh positif signifikan
terhadap CO2 kecuali C-Gas,
C-Coal tidak signifikan.
Electricity,, Dummy Crisis,
menunjukan berpengaruh
negatif.
Signifikan terhadap CO2 8 Jugurnath &Emrith
(2016) Impact Of Foreign Direct Investment On
Environment Degradation:Evidence From SIDS Countries.
FDI, GDP, Population, Technology, Trade, Dummy
Crisis CO2
Analisis regresi data
panel dengan
SUR.
FDI, Population, Dummy Crisis, dan Technology
memiliki pengaruh yang positif signifikan,
sedangkan FDI dan Trade berpengaruh negatif signifikan.
Diolah dari berbagai sumber
2.3. Kerangka Pemikiran
Adapun konsep pemikiran dari penelitian ini dapat digambarkan sebagai berikut :
Gambar 2.2 : Kerangka Pikir
PERTUMBUHAN EKONOMI GLOBALISASI PERUBAHAN KUALITAS
LINGKUNGAN
PARADIGMA PEMBANGUNAN BERKELANJUTAN
UJI HIPOTESIS EKC
Sumber : Peneliti (2017)
Kerangka pikir diatas dapat dijadikan gambaran mengenai tahapan penelitian yang akan dilakukan. Dari kerangka pikir tersebut dapat diketahui bahwa perubahan kualitas lingkungan yangdisebabkan oleh pertumbuhan ekonomi dan globalisasi akan diuji apakah sesuai dengan teori EKC yakni apakah mengarah kepada paradigma pembangunan yang berkelanjutan?
Selanjutnya, analisis EKC juga dilakukan dengan mengetahui pengaruh variabel- variabel penjelas lain penentu perubahan kualitas lingkungan apakah juga mengarah kepada paradigma pembangunan yang berkelanjutan atau justru sebaliknya yang malah menyebabkan penurunan kualitas lingkungan.
2.7. Hipotesis Penelitian
Berdasarkan teori dan hasil penelitian terdahulu serta variabel-variabel yang dijelaskan dalam penelitian ini, maka dalam penelitian ini dirumuskan hipotesis, yaitu:
1. Dampak pertumbuhan ekonomi terhadap kualitas lingkungan hidup yang diukur emisi Karbondioksida (CO2C) pada negara-negara anggota RCEP sesuai dengan konsep Environmental Kuznets Curve model dimana :
H1 = Variabel pertumbuhan ekonomi (GDPC) berpengaruh positif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C),
H2 = Variabel pertumbuhan ekonomi kuadrat (GDPCS) berpengaruh negatif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C),
2. Variabel POP, TRD, FDI, EFE, dan DCR berpengaruh terhadap kualitas lingkungan hidup yang diukur emisi Karbondioksida (CO2), dimana :
H1 = Variabel populasi penduduk (POP) berpengaruh positif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C),
H2 = Variabel keterbukaan ekonomi (TRD) berpengaruh negatif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C),
H3 = Variabel penanaman modal asing (FDI) berpengaruh negatif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C),
H4 = Variabel efisiensi energi (EFE) berpengaruh negatif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C),
H5 = Variabel krisis ekonomi (DCR) berpengaruh negatif dan signifikan terhadap tingkat emisi Karbondioksida (CO2C).
BAB III
METODE PENELITIAN
3.1 Pendekatan Penelitian
Penelitian ini bertujuan untuk membuktikan hipotesis Enviromental Kuznet Curve dan titik baliknya serta untuk mengetahui determinan perubahan kualitas lingkungan di negara anggota RCEP. Jenis penelitian yang akan digunakan dalam menjawab permasalahan dalam penelitian ini adalah dengan metode deskriptif kuantitatif. Pembahasan akan mengacu pada hasil estimasi dari data- data yang diperoleh, yang kemudian dipaparkan secara sistematis dan faktual.
Selanjutnya digunakan beberapa metode analisis data untuk menjawab permasalahan yang telah dirumuskan sebelumnya.
3.2 Lingkup dan Objek Penelitian
Penelitian akan dilakukan dengan mengambil populasi negara anggota RCEP. Adapun sampel yang akan diambil dari populasi tersebut terdiri dari 13 negara antara lain Indonesia, Malaysia, Filipina, Thailand, Singapura, Kamboja, Vietnam, Jepang, RRT, Korea Selatan, Australia, Selandia Baru, dan India.
Brunei, Laos, dan Myanmar tidak dipilih karena keterbatasan data. Alasan pemilihan negara-negara anggota RCEP dikarenakan negara-negara tersebut
memiliki potensi dan sumber daya yang melimpah, dengan total populasi penduduk mencapai 3 miliar (45 persen dari populasi dunia) serta total PDB yang berkisar pada US$ 17.23 triliun (40 persen dari PDB dunia) maka kerangka kerjasama RCEP memberikan suatu kekuatan (bargaining power) bagi ASEAN dan Asia Timur menjadi suatu blok ekonomi terbesar yang dapat menguasai sebagian besar dari perdagangan dunia. Selain itu, jangka waktu yang ditentukan dalam penelitian ini adalah selama 16 tahun (1999-2014). Alasan pemilihan jangka waktu tersebut dikarenakan jangka waktu yang dibutuhkan penelitian ini membutuhkan rentang waktu yang panjang sesuai persyaratan metode penelitian.
3.3 Jenis Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang meliputi 1 variabel dependen dan 7 variabel independen. Variabel dependen adalah emisi karbondioksida perkapita (CO2C). Variabel independennya adalah variabel pertumbuhan ekonomi perkapita(GDPC), variabel pertumbuhan ekonomi perkapita kuadrat(GDPCS), variabel Populasi (POP), variabel Efisiensi Energi (EFE), variabel perdagangan bebas (TRD), variabel Penanaman modal asing (FDI), dan Krisis Ekonomi (DCR).
Jenis data sekunder merupakan data panel atau gabungan antara data time-series dan cross section sehingga dapat menghasilkan informasi yang bayak dan degree of freedom yang lebih besar. Data sekunder yang digunakan mencakup semua negara yang dijadikan sampel sehingga dihasilkan total observasi sebanyak 208. Adapun data time series sebanyak 16 tahun yang dimulai dari periode 1999 sampai 2014. Sedangkan data cross section-nya adalah 13 negara-negara anggota RCEP yang terdiri dari Indonesia, Malaysia,
Filipina, Thailand, Brunei, Singapura, Laos, Kamboja, Vietnam, Jepang, RRT, Korea Selatan, Australia, Selandia Baru, dan India.
3.4 Sumber Data
Data sekunder yang digunakan dalam penelitian ini diperoleh secara online melalui EDGAR dan World Bank Data. Selain itu, digunakan juga beberapa data berupa referensi atau rujukan dalam penelitian yang dikutip dari beberapa artikel, buku, jurnal, skripsi, dan karya ilmiah lainnya dari berbagai edisi dan yang relevan digunakan dalam penelitian ini.
3.5. Definisi Operasional
Definisi operasional ditujukan untuk menghindari perbedaan pengertian dan memberikan batasan yang tegas pada variabel yang diteliti. Adapun definisi operasional yang digunakan antara lain :
Tabel 3.1 : Definisi Operasional Variabel
No Variabel Definisi Indikator
1 Emisi CO2 perkapita (CO2C)
Gas hasil buangan yang bersumber dari pembakaran bensin, solar, kayu, daun, gas LPG, batu bara dan bahan bakar lain yang banyak mengandung hidrokarbon (CFC, freon, dll) yang bersifat beracun dan berbahaya yang dinyatakan dalam metrik ton per kapita.
Perubahan Kualitas Lingkungan
2 Produk Domestik Bruto perkapita
Nilai keseluruhan barang dan jasa yang dihasilkan oleh masing-masing penduduk
Pertumbuhan Ekonomi
(GDPC) suatu negara dalam periode tertentu, berdasarkan harga yang berlaku pada suatu tahun tertentu yang dipakai dasar (base year prices) yang dinyatakan dalam Dolar Amerika Serikat (US$) tahun dasar 2000 (PDB Riil/Konstan)
3 Produk Domestik Bruto perkapita kuadrat
(GDPCS)
Produk Domestik Bruto perkapita Kuadrat untuk membuktikan hipotesis EKC
Pertumbuhan Ekonomi Kuadrat
4 Populasi
Penduduk(POP)
Populasi total didasarkan pada definisi de facto tentang populasi, yang menghitung semua penduduk tanpa memandang status hukum atau kewarganegaraannya..
Populasi
5 Perdagangan Bebas(TRD)
Perdagangan adalah jumlah ekspor dan impor barang dan jasa yang diukur sebagai bagian dari produk domestik bruto.
Keterbukaan Ekonomi
6. Penanaman Modal Asing(FDI)
Penanaman Modal Asing yang diukur dari tingkat investasi asing net inflow.
Keterbukaan Ekonomi
7 Efisiensi Energi (EFE)
PDB per unit penggunaan energi (konstan 2011 PPP $ per kg ekuivalen minyak)
Teknologi
8 Krisis Ekonomi (DCR)
Krisis ekonomi yang diukur menggunakan variabel dummy pada saat berlangsungnya krisis ekonomi Asia 1997-1999 dan krisis ekonomi global 2008-2009.
Shock Ekonomi
Sumber : Diolah dari berbagai sumber (2017)
3.6. Analisis Data
Data yang digunakan dalam penelitian ini adalah data panel. Data panel adalah data yang diperoleh dengan menggabungkan antara data cross-section dan data time series. Data cross-section dalam penelitian ini adalah data dari 13 negara-negara anggota RCEP yang terdiri dari Indonesia, Malaysia, Filipina,
Thailand, Brunei, Singapura, Laos, Kamboja, Vietnam, Jepang, RRT, Korea Selatan, Australia, Selandia Baru, dan India. Sedangkan data time series dalam penelitian ini sebanyak 16 tahun dimulai dari tahun 1999 sampai dengan 2014.
Dengan demikian, total observasi dalam penelitian ini adalah sebanyak 208 observasi.
Menurut Baltagi dalam Gujarati (2012) menyatakan bahwa terdapat beberapa keuntungan dalam penggunaan data panel, yaitu :
1. Dengan mengkombinasikan time series dan cross section, data panel memberikan data yang lebih informatif, lebih variatif, dan mengurangi kolinearitas antar variabel, derajat kebebasan yang lebih banyak, dan efisiensi yang lebih besar.
2. Dengan mempelajari bentuk cross section berulang-ulang dari observasi, data panel lebih baik untuk mempelajari dinamika perubahan.
3. Data panel dapat berinteraksi lebih baik dan mengukur efek-efek yang tidak dapat di observasi dalam cross section murni maupun data time series murni.
4. Data panel memungkinkan kita untuk mempelajari model perilaku yang lebih rumit.
5. Dengan membuat data tersedia dalam jumlah lebih banyak, data panel dapat meminimumkan bias yang dapat terjadi bila kita mengagregatkan individu ke dalam agregrat yang luas.
6. Secara garis besar data panel dapat memperkaya analisis empiris dengan berbagai cara yang mungkin tidak terjadi jika hanya menggunakan cross section atau data time series.
7. Data panel tidak membutuhkan uji ekonometri. Uji ekonometri dilakukan untuk mengetahui apakah spesifikasi model yang digunakan sudah memenuhi asumsi klasik atau tidak.
Teknik analisis data dalam penelitian ini menggunakan statistik regresi untuk data panel. Teknik ini digunakan dengan tujuan untuk menguji hipotesis penelitian yang telah disebutkan pada bab sebelumnya. Model persamaan yang akan diestimasi dengan teknik ini adalah model yang dimodifikasi dari penelitian Jugurnath, Emrith (2016). Adapun model dapat diformulasikan sebagai berikut :
CO2Cit = ß0 + ß1GDPCit + ß2 GDPCSit2+ ß3 POPit + ß4 TRDit + ß5 FDIit + ß6EFEit+ ß7 DCRit + eit (1)
Dimana :
CO2Cit = Emisi CO2 Perkapita di Negara i pada periode t;
POPit = Populasi Penduduk di Negara i pada periode t;
GDPCit = PDB Perkapita di Negara i pada periode t;
GDPCSit = PDB Perkapita Kuadrat di Negara i pada periode t;
TRDit = Perdagangan Bebasdi Negara i pada periode t;
FDIit = Penanaman Modal Asing di Negara i pada periode t;
EFEit = Efisiensi Energi Negara i pada periode t;
DCRit = Dummy Krisis Ekonomi di Negara i pada periode t;
βo = Konstanta;
βn = Koefisien regresi;
eit = Koefisien pengganggu.
Titik Balik Environmental Kuznet Curve
Syarat : β2 ≠ 0, Jika β2 < 0 maka membentuk kurva-U terbalik (EKC), sedangkan jika β2 > 0 maka membentuk kurva-U.
3.6.1. Metode Regresi Panel
Gujarati (2012) menyatakan bahwa regresi dengan menggunakan data panel adalah metode regresi yang menggabungkan dua jenis data, yaitu data berbentuk cross section dan time series. Terdapat tiga pendekatan dalam sebuah regresi data panel, antara lain pendekatan common effect, pendekatan fixed effect, dan pendekatan random effect (Gujarati, 2012). Setelah melakukan regresi ketiga pendekatan tersebut, maka dilakukan pengujian untuk pemilihan model yang terdiri dari dua tahap. Tahap pertama adalah pengujian chow untuk pemilihan model antara model common effect dan fixed effect (Gujarati, 2012).
Sedangkan tahap kedua dilakukan pemilihan model terhadap fixed effect dan random effect dengan menggunakan pengujian hausman. Selain itu, di dalam melakukan pengolahan data panel terdapat juga kriteria pembobotan yang berbeda-beda yaitu No weighting (semua observasi diberi bobot sama), Cross section weight (GLS dengan menggunakan estimasi varians residual cross section, digunakan apabila ada asumsi terdapat cross section
heteroskedasticity), dan Seemingly Uncorrelated Regression/SUR (GLS dengan menggunakan covariance matrix cross section) (Gujarati, 2012). Metode ini mengoreksi baik heteroskedastisitas maupun autokorelasi antar unit cross section.
a) Pendekatan Common Effect
Pendekatan kuadrat terkecil adalah pendekatan paling sederhana dalam pengolahan data yang diterapkan dalam data berbentuk panel. Asumsi dalam model ini adalah intercept maupun slope sama antar unit lintas dan waktu (Gujarati, 2012). Sedangkan untuk pendugaan parameter model kuadrat terkecil digunakan metode Ordinary Least Square (OLS) (Gujarati, 2012). Sebagai contoh, dapat dibuat persamaan sebagai berikut :
Yit= α + β Xit+ eit (8)
Dimana i = 1,2,…, N dan t = 1,2,…,T
N adalah jumlah unit cross section dan T adalah jumlah unit time series.
Dengan mengasumsikan komponen error pada model kuadrat terkecil, maka proses estimasi dapat dilakukan secara terpisah oleh masing-masing cross section (Gujarati, 2012).
b) Pendekatan Fixed Effect
Selain estimasi dengan pendekatan common effect, estimasi data panel lainnya adalah estimasi dengan menggunakan pendekatan fixed effect. Menurut Santoso (2007) dalam Ariefianto (2012) Kesulitan terbesar dalam pendekatan metode kuadrat terkecil adalah asumsi intercept dan slope dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu yang
mungkin tidak beralasan. Generalisasi secara umum sering dilakukan dengan memasukkan variabel dummy untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda antar unit cross section (Gujarati, 2012). Adapun pendekatan dengan menggunakan fixed effect menurut Gujarati (2012) sebagai berikut :
Yit = a + bXit + g2W2t + g3W3t + ... + gnWnt + d2Zi2 + d3Zi3 + ... + dtZit + eit (9) Dimana:
1 untuk individu ke-i, i = 2, …, N Wit =
0 untuk sebaliknya
1 untuk periode ke-t, t =2, ..., T Zit =
0 untuk sebaliknya
Namun, menurut Gujarati (2012) menyatakan bahwa terdapat beberapa kelemahan dalam penggunaan estimasi pendekatan fixed effect, seperti masalah kekurangan derajat kebebasan (degree of freedom) akibat jumlah sampel yang terbatas, multikolinieritas karena banyaknya variabel dummy, keterbatasan kemampuan estimasi terutama jika terdapat variabel yang bersifat tidak berubah berdasarkan waktu, dan terakhir kemungkinan korelasi di antara komponen residual spesifik (cross section dan waktu).
c) Pendekatan Random Effect
Permaslahan yang terdapat pada pemodelan dengan fixed effect sebenarnya dapat diatasi dengan pendekatan data panel selanjutnya yaitu
dengan pendekatan random effect. Pada model random effect, parameter yang berbeda antara cross section dan time series dimasukkan dalamn error.
Sehingga model random effect sering disebut dengan model Error Corection Model atau ECM(Gujarati, 2012). Bentuk model random effect menurut Gujarati (2012) dapat dijelaskan sebagai berikut :
Yit = a + bXit +eit (10) eit = ui + vt + wit (11) Dimana
ui ~ N(0, 𝑑𝑢2 ) = komponen cross section error vt ~ N(0, 𝑑𝑣2) = komponen time series error wit~ N(0,𝑑𝑤2) = komponen error kombinasi
Penggunaan model random effect akan menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model fixes effect, sehingga hasil estimasi dengan menggunakan model random effect akan semakin efisien(Gujarati, 2012).
d) Pemilihan Model
Dalam pengolahan data dengan menggunakan data panel terdapat beberapa tahap pengujian yang bertujuan untuk menentukan model terbaik yang akan digunakan dalam sebuah penelitian data panel. Terdapat 2 tahap pengujian pemilihan model pada data panel, yaitu Uji Chow dan Uji Hasuman.
UJI CHOW
UJI HAUSMANN Gambar 3.1 : Tahapan Pengujian Pemilihan Model Pada Data Panel
Sumber : Data Diolah (2017)
a) Uji Chow
Uji Chow dilakukan untuk pemilihan model terbaik yang akan digunakan antara model common effect dan model fixed effect (Gujarati, 2012). Hipotesis nol pada uji chow adalah memilih model common effect, sedangkan Hipotesis alternatifnya adalah pemilihan model fixed effect.
Ho: Model Common Effect H1: Model Fixed Effect
Pengujian dilakukan dengan menggunakan F statistic seperti yang dirumsukan oleh Chow menurut Gujarati (2012) adalah sebagai berikut:
CHOW = (RRSS −URSS ) /(N −1) URSS /NT −N−K (12) Dimana:
FIXED EFFECT
RANDOM EFFECT COMMON EFFECT
RRSS : Restricted Residual Sum Square URSS : Unrestricted Residual Sum Square N : Jumlah cross section
T : Jumlah time series
K : Jumlah variabel yang digunakan
Pengujian ini mengikuti distribusi F statistik, yaitu FN-1, NT-N-K. Jika hasil uji chow nilai F-statistik lebih besar dari pada F-tabel maka hipotesis nol ditolak (Gujarati, 2012). Selain itu, pengujian juga dapat dilakukan dengan menggunakan hasil analisis data dengan Eviews. Jika p-value <α (0,05) maka tolak H0 dan H1 diterima. Sehingga model yang akan digunakan adalah model fixed effect (Gujarati, 2012).
b) Uji Hausman
Jika pada tahap pengujian uji chow telah menentukan model fixed effect sebagai model terbaik untuk dianalisis, maka tahap selanjutnya dilakukan pengujian terhadap model fixed effect dan model random effect dengan uji hausman. Hipotesis pada uji hausman dapat dirumuskan sebagai berikut :
Ho: Model Random Effect
H1: Model Fixed Effect (unrestricted)
Uji hausman dapat dianalisa dengan membandingkan hasil hausman statistic dengan chi-square tabel (Gujarati, 2012). Jika nilai hausman statistic lebih besar dari pada chi-square tabel maka H0 ditolak, sehingga model fixed effect diterima, begitu juga dengan sebaliknya jika hausman statistic lebih kecil, H0 diterima dan model random effect diterima (Gujarati, 2012). Selain itu, pengujian juga dapat dilakukan dengan melihat nilai p-value dari hasil analisis
data dengan menggunakan Eviews. Jika p-value < α (0,05) maka H0 ditolak dan H1 diterima, begitu juga dengan sebaliknya (Gujarati, 2012).
3.6.2. Kriteria Statistik
Untuk memperoleh model regresi yang terbaik atau BLUE (Best Linier Unbiased Estimator), beberapa kriteria haruslah dapat dipenuhi, yaitu uji R2, uji F, dan uji t. (Ariefianto, 2012). Kriteria dalam menguji hipotesis secara statistik di dalam analisis regresi berganda penelitian ini dilakukan melalui pendekatan uji signifikan (significant test). Uji signifikan secara umum merupakan prosedur untuk mengetahui seberapa besar signifikansi suatu hipotesis nol (H0), atau untuk menentukan apakah sampel-sampel yang amati berbeda secara nyata dari hasil-hasil yang diharapkan (Ariefianto, 2012).
Guna mengukur ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat diukur dari nilai statistic goodness of fit-nya. Secara statistik, nilai statistic goodness of fit dapat diukur dari nilai statistik t, nilai statistik F, dan koefisien determinasinya (Ariefianto, 2012). Perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak). Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah dimana H0 diterima. Dalam pengujian hipotesis ini dapat dilakukan dengan tiga cara antara lain:
a) Koefisien Determinasi (R2)
Koefisien Determinasi (R2) adalah salah satu bentuk nilai statistik yang dapat digunakan untuk mengetahui apakah ada hubungan pengaruh antara dua variabel (Gujarati, 2012). Nilai koefisien determinasi (R2) menunjukkan persentase variasi nilai variabel terikat yang dapat dijelaskan oleh persamaan
regresi yang dihasilkan (Ariefianto, 2012). Nilai R2 berarti semakin tepat suatu garis regresi digunakan sebagai pendekatan. Sebaliknya semakin kecil nilai R2 berarti semakin tidak tepat garis regresi tersebut mewakili data dari hasil observasi (Ariefianto, 2012).
Jika nilai R2 sama dengan 1, maka pendekatan tersebut terdapat kecocokan sempurna dan jika nilai R2 sama dengan 0, maka tidak ada kecocokan pendekatan (Ariefianto, 2012). Selain itu, koefisien determinasi (R2) ini juga untuk mengukur besarnya kontribusi (persentase) dari jumlah variabel terikat yang diterangkan oleh regresi atau untuk mengukur besarnya sumbangan dari variabel bebas terhadap naik turunnya nilai variabel terikat (Ariefianto, 2012).
b) Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas/independen secara individual dalam menerangkan variabel dependen(Gujarati, 2012). Hipotesis nol (H0) yang hendak di uji adalah apakah suatu parameter (bi) sama dengan 0 (H0 : bi = 0), artinya apakah suatu variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen (Gujarati, 2012). Hipotesis alternatifnya (H1) parameter suatu variabel tidak sama dengan nol (H1 : bi ≠ 0), artinya apakah suatu variabel independen merupakan penjelas yang signifikan terhadap variabel dependen (Ariefianto, 2012).
Cara melakukan uji t adalah dengan membandingkan nilai statistik t hasil perhitungan (thitung) dengan nilai t tabel (ttabel) pada derajat kepercayaan (α) sebesar 0,05. Apabila hasil perhitungan menunjukkan :