BAB III

METODOLOGI PENELITIAN

1.1. Penentuan Variabel dan Devinisi Operasional Variabel

Variabel penelitian merupakan konsep yang dapat diukur dengan

berbagai macam nilai untuk memberikan gambaran yang nyata mengenai

fenomena yang diteliti. Penelitian ini menggunakan dua variabel yaitu variabel

independent dan variabel dependent.

1. Variabel Dependent

Variabel dependent dalam penelitian adalah Indeks Kota

Cerdas yang diperoleh dari penyusunan indeks sub indeks

ekonomi, modal manusia, pemerintahan, lingkungan, mobilitas dan

kualitas hidup. Berikut adalah tabel pembobotan indeks kota cerdas

yang akan dilakukan:

Tabel 3.1.

Pembobotan Indeks Kota Cerdas

Sub-indeks Proxy Pembobotan Pembobotan

dalam sub- untuk sub-

indeks indeks

Ekonomi Tingkat pengangguran (%) 16,67% 1/6

Manusia Tingkat pendidikan (skala) 16,67% 1/6

Berlanjut ke halaman 52

51
Lanjutan Tabel 3.1. Pembobotan Indeks Kota Cerdas

Pemerintahan Opini BPK terhadap 16,67% 1/6

pengelolaan keuangan (skala)

Mobilitas Akses terhadap sistem 16,67% 1/6

transportasi publik (skala)

Lingkungan Kepadatan penduduk 16,67% 1/6

(jiwa/km2)

Kualitas Penetrasi Internet (%) 16,67% 1/6

Hidup

Sumber: Szczech diolah, 2016

2. Variabel Independent

a. Produk Domestik Regional Bruto (PDRB)

Produk Domestik Regional Bruto (dalam bps.go.id)

merupakan salah satu indikator penting untuk mengetahui

kondisi ekonomi di suatu daerah dalam suatu periode

tertentu, baik atas dasar harga berlaku maupun atas dasar

harga konstan. PDRB pada dasarnya merupakan jumlah

nilai tambah yang dihasilkan oleh seluruh unit usaha dalam

suatu daerah tertentu, atau merupakan jumlah nilai barang

dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi

pada suatu daerah. Dalam penelitian ini Produk Domestik

Regional Bruto yang digunakan adalah menurut harga

konstan yang dinyatakan dalam miliar rupiah.

52
b. Indeks Pembangunan Manusia (IPM)

Indeks Pembangunan Manusia merupakan suatu

indeks untuk mengukur pembangunan kualitas dan

kuantitas tenaga kerja di suatu daerah yang mencakup tiga

bidang pembagian manusia yang dianggap sangat mendasar

yaitu kesehatan yang diukur dari rata-rata usia harapan

hidup, pengetahuan dan pendidikan yang diukur dari rata-

rata lama sekolah dan angka melek huruf dan standar hidup

layak secara keseluruhan (dalam bps.go.id). Dalam konteks

penelitian ini, Indeks Pembangunan Manusia diberlakukan

sebagai variabel sosial dengan cara mengeluarkan sub

indeks Pengeluaran Per Kapita, sehingga hanya

memperhitungkan sub indeks Kesehatan (Angka Harapan

Hidup) dan sub indeks Pendidikan (Harapan Lama Sekolah

dan Rata-rata Lama Sekolah). Indeks Pembangunan

Manusia diukur berdasarkan skala perolehan AHH, HLS

dan RLS (Lampiran 6).

c. Indeks Pencemaran Udara (IPU)

Indeks Standar Pencemar Udara adalah angka yang

tidak mempunyai satuan yang menggambarkan kondisi

kualitas udara ambien di lokasi dan waktu tertentu yang

didasarkan kepada dampak terhadap kesehatan manusia,

nilai estetika dan makhluk hidup lainnya. Indeks Standar

53
 Pencemar Udara ditetapkan dengan cara mengubah kadar

pencemar udara yang terukur menjadi suatu angka yang

tidak berdimensi (Statistik Lingkungan Hidup Indonesia,

2015).

3.2. Jenis dan Sumber Data

Data yang digunakan merupakan data cross section (data silang)

merupakan data yang terdiri dari satu objek namun memerlukan sub objek-

sub objek lainnya yang berkaitan atau yang berada di dalam objek induk

tersebut pada suatu waktu. Dalam penelitian ini periode waktu yang

dianalisis adalah tahun 2014 dan melibatkan 33 kota yang dijadikan sampel.

Data yang digunakan merupakan data sekunder yaitu data yang diperoleh

dari sumber kedua atau sumber sekunder yang diambil dari data yang

tersedia tahun 2014. Dimana data yang sesuai dengan penelitian ini

didapatkan melalui website BPS kota terkait, BPK, APJII, IGI, BAPPEDA

kota terkait, laporan Bank Indonesia, buku yang terkait, jurnal, media

online, dan lain sebagainya.

Pemilihan tersebut penulis lakukan berdasarkan berbagai

pertimbangan yang cukup menguatkan, diantaranya yaitu:

1. 33 kota tersebut merupakan ibukota provinsi sehingga

dijadikan pusat dari segala aktivitas dan kegiatann sehari-hari,

dan juga mengatur dan mengendalikan segala proses

pemerintahan, ekonomi, sosial maupun budaya dari kota-kota

lain yang ada dalam satu provinsi.

54
 2. Merupakan kota-kota yang dijadikan tolak ukur dalam menilai

keberhasilan suatu provinsi dalam meningkatkan kinerjanya

dan untuk menilai seberapa besar kontribusi yang dapat

diberikan bagi Indonesia.

3. Tersedianya sarana dan prasarana publik dari pemerintah yang

sudah cukup memadai bagi seluruh masyarakatnya. Hal

tersebut dapat terlihat dari ketersediaan sarana listrik, air

bersih, drainase, sanitasi, jaringan telepon, pengelolaan sampah

yang mana semuanya dipergunakan dengan semestinya dan

juga ketersediaan prasarana jalan kota, pelabuhan, terminal,

stasiun, bandara, telekomunikasi yang sangat membantu dan

menunjang perkembangan masyarakat yang tinggal disana.

3.3. Metode Penentuan Sampel

Metode pemilihan sampel data yang akan digunakan dalam

penelitian harus sesuai dengan penentuan variabel-variabel dalam

persamaan model dasar tersebut di atas, yaitu data kuantitatif yang

merupakan data-data sekunder dari data cross section tahun 2014 dari

masing-masing variabel Produk Domestik Regional Bruto (Variabel

Ekonomi), Indeks Pembangunan Manusia (Variabel Sosial) dan Indeks

Pencemaran Udara (Variabel Lingkungan) di masing-masing 33 kota.

55
3.4. Estimasi Pemilihan Fungsi Model Empiris

Dalam melakukan analisis terhadap penelitian ini, penulis

menggunaakan analisis regresi linear berganda. Model dasar dari persamaan

estimasi Ordinary Least Square (OLS). Untuk mendapatkan model terbaik

dalam penelitian, maka dalam melakukan suatu studi empiris, sebaiknya

model yang akan digunakan diuji terlebih dahulu.

Aisiyah, 2007 menjelaskan mengenai cara mengestimasi model

dengan menggunakan metode MWD (Mackinnon, White, and Davidson).

Metode ini bertujuan untuk mencari model yang terbaik dalam model

estimasi, apakah linear atau non linear. Langkah awal yang harus dilakukan

yaitu membuat dua model regresi seperti berikut:

a. Melakukan regresi persamaan linier kemudian diperoleh nilai fitted

dari Y yang diberi nama dengan yf.

b. Melakukan regresi persamaan log-linier kemudian diperoleh nilai

fitted dari LOGY yang diberi nama dengan lyf.

c. Mencari nilai Z1 dengan mengurangkan nilai log dari yf dengan

nilai fitted lyf (Z1 = Log(yf)-lyf).

d. Mencari nilai Z2 dengan mengurangkan nilai antilog dari lyf

dengan nilai yf (Z2 = Exp(lyf)-yf).

e. Melakukan regresi persamaan linier dengan menambahkan variabel

Z1 sebagai variabel penjelas.

f. Melakukan regresi persamaan log-linier dengan menambahkan

variabel Z2 sebagai variabel penjelas.

56
 Model bentuk linier dan model bentuk log-linier yang akan diuji

menggunakan MWD adalah sebagai berikut:

Ho : Model Linier

Y = 0 + 1X1 + 2X2 + 3X3 + ............................................. (3.1)

Ha : Model Log-linier

Log(Y) = 0 + 1Log(X1) + 2Log(X2) + 3Log(X3) + ...... (3.2)

Hipotesis pada pengujian ini untuk model linier adalah apabila Z1

signifikan secara statistik, maka Ho (model linier) ditolak. Sedangkan

apabila Z1 tidak signifikan secara statistik, maka Ho (model linier)

diterima. Berlaku pula untuk pengujian model log-linier, apabila Z2

signifikan secara statistik, maka Ha (model log-linier) ditolak. Sedangkan

apabila Z2 tidak signifikan secara statistik, maka Ha (model log-linier)

diterima.

3.5. Metode Analisis Data

Datadata yang telah dikumpulkan akan dianalisis dengan model

regresi berganda atau Ordinary Least Square (OLS) serta analisis regresinya

menggunakan program EViews 8. Analisis regresi tersebut digunakan untuk

menilai apakah variabel tidak bebas dalam hal ini kemajuan teknologi akan

sangat dipengaruhi oleh variabel bebasnya yang terdiri atas Produk

Domestik Regional Bruto (Aspek Ekonomi), Indeks Pembangunan Manusia

(Aspek Sosial) dan Indeks Pencemaran Udara (Aspek Lingkungan). Analisis

57
regresi berganda OLS tersebut digunakan juga untuk menguji model awal

dan menentukan model persamaan yang paling baik.

Model persamaan yang paling baik akan dipilih, sehingga dari model

persamaan tersebut dapat digunakan untuk menentukan berapa besar

pengaruh Produk Domestik Regional Bruto (Aspek Ekonomi), Indeks

Pembangunan Manusia (Aspek Sosial), dan Indeks Pencemaran Udara

(Aspek Lingkungan). Oleh karena itu, pemilihan model log linier berikut

berdasarkan uji MWD dengan hasil regresi yang lebih baik dibandingkan

model linier. Persaman estimasi OLS yang digunakan adalah sebagai

berikut:

Log(Y) = 0 + 1Log(X1) + 2Log(X2) + 3Log(X3) + ................. (3.3)

Dimana:

(Log)Y : Logaritma Indeks Kota Cerdas

(Log)X1 : Logaritma Aspek Ekonomi (PDRB)

(Log)X2 : Logaritma Aspek Sosial (IPM)

(Log)X3 : Logaritma Aspek Lingkungan (Indeks Pencemaran Udara)

0 : Konstanta

1, 2, 3 : Koefisien Regresi

: Error Term

58
 Pemilihan model Log terhadap semua variabel sejalan dengan

penelitian yang dilakukan oleh Widodo, 2011. Penelitian tersebut telah

menjelaskan mengenai variabel indeks yang ditransformasi menjadi model

log. Hal tersebut dibuktikan melalui variabel Indeks Harga Konsumen yang

interpretasinya menjadi inflasi. Oleh karena itu penelitian ini juga

menggunakan model log terhadap variabel Indeks Kota Cerdas, Indeks

Pembangunan Manusia dan Indeks Pencemaran Udara sehingga

interpretasinya menjadi pertumbuhan indeks. Penelitian ini menggunakan

analisis regresi linear berganda, maka dalam penelitian harus melakukan uji

prasyarat diantaranya yaitu uji endogeneity dan uji asumsi klasik. Uji

asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis

regresi linear berganda yang berbasis Ordinary Least Square (OLS).

Koutsoyiannis (dalam Aisyah, 2007), mengemukakan beberapa

alasan yang mendasari mengapa digunakan OLS, yaitu:

1. Estimasi parameter yang diperoleh dengan menggunakan OLS

memepunyai beberapa ciri optimal.

2. Prosedur perhitungan dari OLS sangat sederhana dibandingkan

dengan metode ekonometrika yang lainnya serta kebutuhan

data tidak berlebihan.

3. OLS dapat digunakan dalam range hubungan ekonomi yang

luas dengan tingkat ketepatan yang memuaskan.

59
 4. Mekanisme perhitungan OLS secara sederhana dapat

dimengerti.

5. OLS merupakan komponen vital bagi banyak tehnik

ekonometri yang lain.

Seperti yang tertulis dalam berbagai buku bahwa tujuan

ekonometrika adalah mengestimasi poplation regression function/PRF dari

suatu sampel. Hasil dari estimasi ini disebut dengan sample regression

function/SRF yang berbentuk persamaan y = 0 + 1x + . Error term

diperlukan mengingat hasil yang diperoleh dari sampel ini hanya merupakan

suatu dugaan yang dharapkan berlaku atas dasar asumsi/prinsip statistic

tertentu. Dengan kata lain selalu terdapat kemungkinan kesalahan atas

dengan populasi karena menggunakan data dari sampel.

Parameter 0 dan 1 dapat diestimasi dengan menggunakan teknik

Ordinary Least Squares (OLS). Secara intuitif dapat dibayangkan

penggunaan metode OLS sebagai pencarian suatu garis lurus yang melewati

sekumpulan titik pasangan observasi (variabel terikat: y dan variabel

penjelas: x). Garis ini harus memenuhi suatu kriteria secara terbaik. Kriteria

yang digunakan adalah meminimalkan selisih antara nilai prediksi yang

diberikan oleh garis lurus tersebut dengan nilai aktualnya (Moch. Doddy

Ariefianto, 2012:9)

60
3.6. Teknik Estimasi

3.6.1. Model Regional Dasar

Budy P. Resosudarmo dalam Research on Regional

Development in Indonesia: New Directions and Challenges,

menjelaskan bahwa model ekonometrik utama adalah sebagai

berikut:

Yr,t = 0 + Xr,t 1 + 2 pr,t + er,t ........................................ (3.4)

Model tersebut didominasi oleh model pertumbuhan

(r=regions ), dimana p = a karakteristik daerah tertentu. Dalam

Model tersebut sangat umum terjadinya masalah endogeneity,

terdapat 3 macam masalah endogeneity yang memungkinkan

untuk terjadi, diantaranya yaitu:

1. Variabel yang dihilangkan (Omitted variable) adalah

masalah endogeneity yang terjadi apabila variabel

regional lainnya tidak terdapat dalam model.

Endogeneity I: Omitted Variable

a. Misalkan model yang benar adalah :

yr , t = 0 + Xr,t 1 + 2 pr,t + 3 zr,t + er,t ................... (3.5)

b. Jika variabel zi,t dihilangkan, maka modelnya

menjadi:

yr,t = 0 + Xr,t 1 + 2 pr,t + er,t ........... (3.6)

dimana

er,t = 2 zr,t + ur,t ............................. (3.7)

61
 c. Jika p memiliki beberapa korelasi yang sama

dengan z dan z secara terpisah mempengaruhi h,

kemudian diestimasikan sebagai berikut:

yr,t = 0 + Xr,t 1 + 2 pr,t + e'r,t ................ (3.8)

maka akan menghasilkan

2 2

2. Pengukuran Kesalahan (Measurement error) adalah

masalah endogeneity yang terjadi apabila variabel

daerah biasanya tidak dapat diandalkan.

Endogeneity II : Pengukuran Kesalahan

a. Misalkan hanya dapat mengamati p* dimana :

p * r,t = pr,t + vr,t ................................... (3.9)

di mana vr,t adalah " noise"

b. Maka model yang muncul adalah

yr,t = 0 + Xr,t 1 + 2 p * r,t + er,t ........... (3.10)

yang memiliki

er,t = -2 vr,t + ur,t ........................(3.11)

c. Jika v tidak acak , maka estimasi dari persamaan

ini

yr,t = 0 + Xr,t 1 + 2 p * r,t + e'r,t ........... (3.12)

maka akan menghasilkan

2 2

62
3.7. Uji Asumsi Klasik

Uji Asumsi Klasik digunakan untuk memastikan bahwa data yang

digunakan berdistribusi normal dan dalam model tersebut tidak mengandung

multikolinieritas, autokorelasi, normalitas, linieritas dan heteroskedastisitas.

Uji asumsi klasik harus dilakukan hanya pada analisis tegresi linear berganda.

Oleh karena data dalam penelitian ini menggunakan data cross section maka

uji asumsi klasik yang harus dilakukan adalah:

3.7.1. Uji Multikolinieritas

Uji multikolinieritas dimaksudkan untuk mengetahui ada

tidaknya korelasi antar variabel independen di dalam model regresi.

Apabila terdapat multikolinieritas di dalam model, maka kesalahan

estimasi yang dihasilkan oleh model cenderung besar. Untuk menguji

ada tidaknya multikolinieritas di dalam model penelitian ini, akan

digunakan pengukuran Variance Inflation Factor (VIF). Nilai cut-off

yang umum dipakai untuk menunjukkan adanya multikolinieritas

adalah nilai Tolerance < 0,10 atau sama dengan nilai VIF > 10. Jika

VIF tidak lebih dari 10 maka model terbebas dari multikolinieritas.

Model regresi linier yang baik adalah yang terbebas dari adanya

multikolinieritas.

63
3.7.2. Uji Autokorelasi

Autokorelasi menunjukkan sifat residual regresi yang tidak

bebas dari satu observasi ke observasi lainnya. Fenomena ini umum

ditemukan pada regresi dengan data yang bersifat time series tetapi

kadang juga terdapat pada data cross section. Guna memastikan

apakah model regresi linier terbebas dari autokorelasi, dapat

menggunakan metode Brusch-Godfrey atau LM (Lagrange Multiplier)

Test. Jika nilai Prob. F hitung lebih besar dari tingkat alpha 0,05 (5%)

maka H0 diterima yang artinya tidak terjadi autokorelasi. Sebaliknya,

apabila nilai Prob. F hitung lebih kecil dari 0,05 maka dapat

disimpulkan terjadi autokorelasi.

Uji autokorelasi selain menggunakan LM Test, dapat juga

menggunakan Durbin-Watson. Nilai Durbin-Watson sudah tertampil

pada jendela Durbin-Watson hitung. Nilai ini akan dibandingkan

dengan kriteria penerimaan atau penolakan yang akan dibuat dengan

nilai dL dan dU dan ditentukan berdasarkan jumlah variabel bebas

dalam model regresi (k) dan jumlah sampelnya (n). Nilai dL dan dU

dapat dilihat pada Tabel DW dengan tingkat signifikansi (error) 5%

( = 0,05).

64
3.7.3. Uji Normalitas

Uji normalitas yang dimaksud adalah (data) residual yang

dibentuk model regresi linier terdistribusi normal, bukan variabel

bebas ataupun variabel terikatnya. Pengujian terhadap residual

terdistribusi normal atau tidak dapat menggunakan Jarque-Bera Test.

Keputusan terdistribusi normal tidaknya residual secara sederhana

dengan membandingkan nilai Probabilitas JB (Jarque-Bara) hitung

dengan tingkat alpha 0,05 (5%). Apabila Prob. JB hitung lebih besar

dari 0,05 maka dapat disimpulkan bahwa residual terdistribusi normal

dan sebaliknya, apabila nilainya lebih kecil maka tidak cukup bukti

untuk menyatakan bahwa residual terdistribusi normal (Muhammad

Iqbal, 2015: 18).

3.7.4. Uji Heteroskedastisitas

Heteroskedastisitas terjadi pada saat residual dan nilai prediksi

memiliki korelasi atau pola hubungan. Pola hubungan ini tidak hanya

sebatas hubungan yang linier, tetapi dalam pola yang berbeda juga

dimungkinkan. Gujarati, 2004 menjelaskan bahwa uji yang paling

umum digunakan adalah Uji White. Berbeda dengan Goldfeld-Quandt

test, yang memerlukan penataan kembali pengamatan sehubungan

dengan variabel X yang konon disebabkan heteroskedastisitas, atau tes

BPG, yang sensitif terhadap asumsi normalitas, uji white tidak

bergantung pada asumsi normalitas dan mudah untuk

diimplementasikan. Sebagai ilustrasi dari ide dasar, pertimbangkan hal

65
berikut yaitu tiga variabel model regresi (generalisasi dengan model k-

variabel) (Gujarati, 2004):

Yi = 1 + 2X2i + 3X3i + i ...................................... (3.13)

Uji White dilakukan sebagai berikut:

a. Dengan memperhatikan data yang ada maka

dilakukan estimasi regresi (3.13) dengan OLS,

sehingga memperoleh residu, ei

b. Lakukan penambahan terhadap regresi sehingga

menjadi seperti ini:

i2 = 1+ 2X2i + 3X3i + 4X22i + 5X23i + 6X2iX3i + i ......... (3.14)

. artinya bahwa, residu yang diperoleh dari regresi

asal (3.13) dikuadratkan dan diregresikan pada

semua variabel asal, nilai kuadratnya, lalu lakukan

perkalian silang. Pemangkatan tambahan variabel-

variabel X asal juga bisa ditambahkan. Faktor i

adalah faktor residu dalam regresi pelengkap.

c. Tentukan nilai R2 dari regresi pelengkap (3.14).

Hipotesis dibawah nol menunjukkan bahwa tidak

ada heteroskedastisitas, hal tersebut dapat

menunjukkan bahwa ukuran sampel (n) dikali R2

diperoleh dari tambahan regresi asimtotik, yang

66
 mengikuti distribusi chi-kuadrat dengan df yang

sama untuk jumlah regressors (tidak termasuk istilah

konstan

n. R2 ~ X2df ............................................... (3.15)

di mana d.f. menunjukkan tambahan regresi di

dalam model (3.14) d.f. adalah 5.

d. Jika nilai chi-kuadrat yang diperoleh dari persamaan

(3.17) melebihi nilai chi-kuadrat kritis pada tingkat

signifikansi yang dipilih, atau jika nilai p nilai chi-

kuadrat yang dihitung cukup rendah (anggap 1%

atau 5%), kita bisa menolak hipotesis nol tentang

tidak adanya heteroskedastisitas. Di sisi lain, jika

nilai p nilai chi-kuadrat hitung cukup besar (anggap

di atas 5% atau 10%), kita tidak bisa menolak

hipotesis nol.

3.8. Uji Kelayakan Model

3.8.1. Uji Signifikansi Individu (Uji t)

Uji t dalam regresi linier berganda dimaksudkan untuk

menguji apakah parameter (koefisien regresi dan konstanta) yang

diduga untuk mengestimasi persamaan/model regresi linier berganda

sudah merupakan parameter yang tepat atau belum. Maksud tepat

disini adalah parameter tersebut mampu menjelaskan perilaku variabel

bebas dalam mempengaruhi variabel terikatnya. Parameter yang

67
diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope

(koefisien dalam persamaan linier). Pada bagian ini, uji t difokuskan

pada parameter slope (koefisien regresi) saja. Jadi uji t yang dimaksud

adalah uji koefisien regresi. Prosedur Uji t pada koefisien regresi

parsial pada regresi berganda sama dengan prosedur uji koefisien

regresi sederhana (Widarjono, 2013).

Uji t dalam regresi linier berganda dimaksudkan untuk

menguji apakah parameter (koefisien regresi dan konstanta) yang

diduga untuk mengestimasi persamaan/model regresi linier berganda

sudah merupakan parameter yang tepat atau belum. Maksud tepat

disini adalah parameter tersebut mampu menjelaskan perilaku variabel

bebas dalam mempengaruhi variabel terikatnya. Parameter yang

diestimasi dalam regresi linier meliputi intersep (konstanta) dan slope

(koefisien dalam persamaan linier). Pada bagian ini, uji t difokuskan

pada parameter slope (koefisien regresi) saja. Jadi uji t yang dimaksud

adalah uji koefisien regresi.

Apabila nilai prob. t hitung (ditunjukkan pada Prob.) lebih

kecil dari tingkat kesalahan (alpha) 0,05 (yang telah ditentukan) maka

dapat dikatakan bahwa variabel bebas berpengaruh signifikan terhadap

variabel terikatnya, sedangkan apabila nilai prob. t hitung lebih besar

dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa variabel

bebas tidak berpengaruh signifikan terhadap variabel terikatnya

(Muhammad Iqbal, 2015).

68
 Atau dapat dilakukan dengan menggunankan hipotesis sebagai

berikut:

Ho : b 1 = b(tidak ada pengaruh)

Ha : b 1 b.(ada pengaruh)

Dalam b 1 adalah koefisien variabel independen ke-i nilai parameter

hipotesis, biasanya b dianggap = 0. Artinya tidak ada pengaruh

variabel X terhadap Y. Bila nilai t-statistik > t-tabel maka pada tingkat

kepercayaan tertentu Ho ditolak. Hal ini berarti bahwa variabel

independen yang diuji berpengaruh secara nyata (signifikan) terhadap

variabel dependen. Maka sebaliknya kriteria pengambilan keputusan

Ho : = 0 Ho diterima (t-statistik < t-tabel) artinya variabel

independen secara parsial tidak berpengaruh nyata terhadap variabel

dependen.

Ha : 0 Ha diterima (t-statistik > t-tabel) artinya variabel

independen secara parsial berpengaruh nyata terhadap variabel

dependen.

Uji t berfungsi untuk mengetahui pengaruh variabel

independent yang terdapat di dalam model secara terpisah (parsial)

terhadap variabel dependent, caranya yaitu dengan melakukan

pembandingan terhadap probabilitas (P Value) dengan taraf signifikan

5% atau 0,05.

69
3.8.2. Uji Signifikansi Simultan (Uji F)

Uji keterandalan model atau uji kelayakan model atau yang

biasa disebut sebagai uji F (ada juga yang menyebutnya sebagai uji

simultan model) merupakan tahapan awal mengidentifikasi model

regresi yang diestimasi layak atau tidak. Layak (andal) disini

maksudnya adalah model yang diestimasi layak digunakan untuk

menjelaskan pengaruh variabel-variabel bebas terhadap variabel

terikat.

Uji ini disebut sebagai uji F, karena mengikuti mengikuti

distribusi F yang kriteria pengujiannya seperti One Way Anova

(Widarjono, 2013).. Pengunaan software memudahkan penarikan

kesimpulan dalam uji ini. Apabila nilai prob. F hitung lebih kecil

dari tingkat kesalahan/error (alpha) 0,05 (yang telah ditentukan)

maka dapat dikatakan bahwa model regresi yang diestimasi layak,

sedangkan apabila nilai prob. F hitung lebih besar dari tingkat

kesalahan 0,05 maka dapat dikatakan bahwa model regresi yang

diestimasi tidak layak.

Cara lain yang dapat digunakan adalah digunakan hipotesis

sebagai berikut:

Ho : b 1 = 0.. (tidak ada pengaruh)

Ha : b 1 0... (ada pengaruh)

Pengujian ini dilakukan dengan membandingkan nilai F-hitung

dengan Ftabel. Jika F-hitung > F-tabel maka Ho ditolak dan Ha

70
 diterima yang berarti variabel independen secara bersama-sama

mempengaruhi variabel dependen. Kriteria pengambilan keputusan:

Ho : 1 = 2 = 0 Ho diterima (F-hitung < F-tabel) artinya variabel

independen secara bersama-sama tidak berpengaruh nyata terhadap

variabel dependen.

Ha : 1 2 0 Ha diterima (F-hitung > F-tabel) artinya variabel

independen secara bersama-sama berpengaruh nyata terhadap

variabel dependen

Uji F dilakukan untuk mengetahui apakah variabel-variabel

independent secara keseluruhan atau bersama memberikan pengaruh

signifikan secara statistik dalam mempengaruhi variabel dependent.

3.8.3. Koefisien Determinasi Simultan (R)

Koefisien determinasi merupakan ukuran ringkas yang

menjelaskan kepada kita bagaimana hubungan antara variabel

dependen dengan variabel indepennya dalam suatu model

(Widarjono, 2013). Hasil perhitungan R2 secara keseluruhan

digunakan untuk mengukur seberapa besar persentase variasi

variabel independent yang digunakan dalam model yang mampu

menjelaskan variabel dependent.

Apabila nilai R mendekati 1 maka ada hubungan yang kuat

dan erat antara variabel dependent dan variabel independent dan

penggunaan model tersebut dibenarkan, namun apabila R2 mendekati

0 maka semakin lemah variasi variabel independent dalam

71
menerangkan variabel dependent. Namun tidak dapat dipungkiri ada

kalanya dalam penggunaan koefisien determinasi (R) terjadi bias

terhadap satu variabel bebas yang dimasukkan dalam model. Sebagai

ukuran kesesuaian garis regresi dengan sebaran data, R2 menghadapi

masalah karena tidak memperhitungkan derajat bebas. Sebagai

alternatif digunakan corrected atau adjusted R. Dalam Eviews

koefisien determinasi simultan terdapat pada table Summary kolom

R-square.

72