Paper Ekonometrika Finish.docx

TUGAS EKONOMETRIKA ANALISIS REGRESI LINEAR DENGAN METODE LN

Oleh :

1. Ai Miftahul Jannah

NIM : 05011381621109

2. Atikah Putri

NIM : 05011381621113

3. Deta Ramadhani

NIM : 05011381621089

4. Fira Nadhea

NIM : 05011381621082

5. Robiatul Adawiyah

NIM : 05011181621019

PROGRAM STUDI AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS SRIWIJAYA 2019

I.

ANALISIS REGRESI LINEAR

Regresi merupakan metode estimasi utama di dalam ekonometrika. Secara umum analisis regresi adalah studi mengenai ketergantungan satu variabel tak bebas dengan satu atau lebih variabel bebas dengan tujuan untuk memperkirakan dan atau meramalkan nilai rata-rata dari variabel tidak bebas apabila nilai variable yang menerangkan sudah diketahui.Dalam analisis ekonomi,ketersediaan data yang sesuai sangatlah mempengaruhi hasil analisis yang di perlukan.

1. Analisis Regresi Linier Bentuk LN (Logaritma Natural) Pengubahan data ke bentuk LN dimaksudkan untuk meniadakan atau meminimalkan adanya pelanggaran asumsi normalitas dan asumsi klasik regresi. Jika data-data yang digunakan tidak terdistribusi secara normal atau terjadi penyimpangan asumsi klasik maka bisa dilakukan dengan pengubahan ke bentuk Ln ini. Persamaan regresi linier bentuk LN sebagai berikut: 1. Dengan 1 variabel independen (regresi sederhana) LNY’ = LNb0 + b1 LNX (Y’ adalah variabel dependen yang diramalkan, LNb0 adalah konstanta, b1 adalah koefisien regresi, dan LNX adalah variabel independen) 2. Dengan 2 variabel independen (regresi berganda) LNY’ = LNb0 + b1 LNX1 + b2 LNX2 (LNY’ adalah variabel dependen yang diramalkan, LNb0 adalah konstanta, b1, b2 adalah koefisien regresi, dan LNX1 dan LNX2 adalah variabel independen).

II.

PENGUJIAN HIPOTESIS Untuk mengetahui apakah suatu persamaan regresi yang dihasilkan baik untuk

mengestimasi nilai variabel bebas diperlukan pembuktian terhadap kebenaran hipotesis. Pembuktian hipotesis dilakukan dengan cara sebagai berikut: 1. Uji t statistik (Uji Parsial) Merupakan pengujian yang dilakukan untuk melihat signifikansi dari pengaruh variabel bebas secara individu terhadap variabel terikat dengan menganggap variabel bebas lainnya konstan. Uji-t statistik ini dilakukan dengan membandingkan thitung dengan ttabel. Nllai t tabel dapat dilihat pada tabel statistik pada tingkat signifikansi (0,05) dengan derajat kebebasan (df) sebesar (n-k-1) Kaidah keputusan dalam uji-t adalah: a.

Jika thitung ≥ ttabel, maka Ho ditolak. Hal ini berarti bahwa hipotesa yang

mengatakan variabel bebas secara parsial tidak signifikan dalam mempengaruhi variabel terikat ditolak. b.

Jika thitung ≤ ttabel, maka Ho diterima. Hal ini berarti bahwa hipotesa yang

mengatakan variabel bebas secara parsial tidak signifikan dalam mempengaruhi variabel terikat diterima. 2. Uji Bersama-sama (Uji F) Uji statistik F pada dasarnya menunjukkan apakah semua variabel bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat/dependen (Ghozali, 2001:44-45). Untuk menguji hipotesis ini digunakan perhitungan dengan program komputasi SPSS. 3. Koefisien Determinasi Dalam uji regresi linier berganda ini dianalisis pula besarnya determinasi (R2). Jika R2 yang diperoleh mendekati 1(satu) maka dapat dikatakan semakin kuat model tersebut menerangkan variabel bebas terhadap variabel terikat. Sebaliknya jika

R2 mendekati 0 (nol) maka semakin lemah variabel-variabel bebas menerangkan variabel terikat.Selain melakukan pembuktian dengan uji F, perlu juga dicari besarnya koefisien

determinasi

bebas. Menghitung R2

(R2)

parsial

untuk

masing-masing

variabel

digunakan untuk mengetahui sejauh mana sumbangan

dari masing-masing variabel bebas, jika variabel lainnya konstan terhadap variabel terikat. Semakin besar nilai R2, maka semakin besar variasi sumbangannya terhadap variabel terikat (Gujarati, 1979:101). 4.

Uji Asumsi Klasik Uji asumsi klasik adalah yang digunakan untuk mengetahui apakah model regresi

berganda yang digunakan untuk menganalisis dalam penelitian ini memenuhi asumsi klasik atau tidak. 5.

Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel

terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal (Ghozali, 2001:74). Cara untuk mengetahui normalitas adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garis lurus diagonal dan plotting data akan dibandingkan dengan garis diagonal. Jika distribusi data adalah normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. Untuk menguji hipotesis ini digunakan perhitungan dengan program komputasi SPSS. 6.

Uji Multikolinieritas Uji Multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan

adanya korelasi antar variabel bebas (Ghozali, 2001:57). Untuk menguji hipotesis ini digunakan perhitungan dengan program komputasi SPSS.

7.

Uji Heteroskedastisitas Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi

terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2001:69). Kebanyakan data

cross section

mengandung situasi

heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang, besar). Sedangkan dasar dari pengambilan keputusan dengan melihat grafik scatterplot pada label SPSS dengan program komputasi SPSS, dengan dasar analisis : (1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. (2) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. (Ghozali,2001:69). 8. Uji Autokorelasi Autokorelasi adalah korelasi (hubungan) antara anggota serangkaian observasi atau pengamatan yang tersusun dalam rangkaian waktu (seperti dalam data time series) atau yang tersusun dalam rangkaian ruang (seperti dalam data cross section). Pada penelitian ini bentuk data cross section. Apabila menggunakan data uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier tindakan satu responden atau sampel mempengaruhi tindakan responden yang lain atau tidak. Apabila tindakan responden satu mempengaruhi tindakan responden yang lainnya maka terdapat autokorelasi.

9.

Uji Durbin Watson Uji Durbin Watson digunakan untuk autokorelasi tingkat satu (first order

autocorrelation) dan mensyaratkan adanya intersep (konstanta) dalam model regresi dan tidak ada variabel lag diantara variabel independen. Deteksi model regresi yang bebas dari autokorelasi dengan uji Durbin Watson adalah : 1.

Bila nilai DW terletak diantara batas atas (du) dan (4-du) maka koefisien

autokorelasi sama dengan nol, berarti tidak ada autokorelasi. 2. Bila nilai DW lebih rendah dari batas bawah (dl) maka koefisien autokorelasi sama dengan lebih besar dari pada nol, berarti terdapat autokorelasi positif. 3. Bila nilai DW lebih besar dari (4-d1) maka koefisien autokorelasi sama dengan lebih kecil dari pada nol, berarti terdapat autokorelasi negatif. 4. Bila nilai DW terletak diantara batas atas (du) dan batas bawah (dl) atau terletak di antara (4-du) dan (4-d1) maka hasilnya tidak dapat disimpulkan. (Ghazali, 2001:72).

III.

CONTOH KASUS

Contoh kasus yang akan di bahas adalah contoh kasus yang ingin mengetahui pengaruh luas lahan, modal, tenaga kerja, dan teknologi terhadap produksi usahatani padi. Dalam kasus ini ingin menggunakan analisis regresi linear dengan menggunakan metode LN. Berikut data yang akan diolah menggunakan SPSS: NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

Y 2000000 3500000 117700000 4000000 2000000 15000000 7000000 5000000 5000000 6000000 6000000 5000000 1650000 2000000 6000000 5300000 5300000 2000000 880000 1650000 4500000 3000000 6000000 2000000 2000000 6500000 1500000 6000000 5000000 10000000 7000000

X1 0,2 0,2 0,8 0,4 0,2 0,8 0,4 0,4 0,4 0,6 0,4 0,4 0,2 0,2 0,6 0,4 0,4N 0,2 0,1 0,2 0,4 0,4 0,4 0,2 0,2 0,4 0,2 0,4 0,4 0,6 0,4

X2 950000 1350000 3100000 1650000 1100000 2700000 1700000 1800000 1100000 1850000 1450000 1550000 750000 1000000 1850000 1650000 1650000 1150000 800000 600000 1300000 1450000 1100000 700000 800000 2200000 850000 1150000 1600000 2650000 1300000

X3 15 14 39 24 14 46 21 21 21 33 22 23 18 16 33 22 22 18 18 14 25 25 23 16 14 24 18 21 22 36 21

X4 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 1 1 1 0 1 1 0 1 1 1 1

32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71

5000000 2500000 2500000 10000000 5000000 2000000 8000000 7500000 5000000 14000000 5000000 5000000 3500000 10000000 9600000 7500000 14000000 2000000 4000000 2200000 2000000 4000000 4000000 7000000 6000000 6000000 5000000 18000000 15000000 3500000 5000000 15000000 4000000 5000000 4000000 9400000 4500000 5000000 2000000 6000000

0,4 0,2 0,2 0,6 0,2 0,2 0,8 0,4 0,3 0,8 0,4 0,4 0,4 0,6 0,6 0,4 0,8 0,2 0,1 0,2 0,2 0,4 0,4 0,4 0,4 0,6 0,4 1 0,8 0,2 0,3 0,8 0,4 0,4 0,4 0,7 0,4 0,4 0,2 0,3

1450000 1000000 1650000 2650000 1000000 1100000 4000000 1550000 1200000 3600000 1700000 1700000 1000000 2650000 2750000 1550000 3600000 600000 1000000 850000 850000 1500000 1850000 1350000 1100000 1850000 1300000 4500000 4000000 1250000 1350000 4000000 1600000 1700000 1300000 2350000 1400000 2300000 1200000 1750000

21 16 15 36 18 16 41 22 18 45 23 22 21 36 33 22 45 16 18 16 16 21 21 22 21 33 22 50 38 16 18 38 22 25 22 43 23 22 14 18

1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1

72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

3000000 4000000 10000000 7000000 13200000 12000000 3350000 2500000 4500000 16000000 10000000 2000000 2000000 2500000 5300000 4500000 2500000 5500000 12000000 8900000 5000000 2000000 2900000 12000000 3500000 10000000 2500000 5000000 1250000

0,2 0,4 0,7 0,6 0,8 0,7 0,2 0,4 0,4 0,8 0,6 0,2 0,15 0,2 0,4 0,4 0,2 0,4 0,7 0,6 0,4 0,2 0,2 0,7 0,2 0,7 0,2 0,4 0,2

950000 1850000 2700000 2000000 3600000 2350000 1100000 1250000 1750000 3800000 2650000 1000000 1100000 1100000 1650000 1700000 1150000 1900000 2350000 2100000 1700000 960000 900000 2350000 1000000 2700000 900000 1200000 800000

16 25 43 27 39 43 16 18 25 41 36 14 14 16 22 21 16 21 43 27 21 16 16 43 16 43 18 21 14

0 1 1 1 1 1 0 1 1 1 1 1 0 0 1 1 0 1 1 1 1 0 0 1 1 1 0 1 0

IV.

HASIL DAN PEMBAHASAN Berdasarkan hasil analisi regresi linear berganda dengan menggunakan

Program Windows SPSS, didapatkan hasil sebagai berikut : Tabel 4.1. Hasil Analisis Regresi Linear Berganda

Coefficientsa Model

Unstandardized Coefficients

Standardized

t

Sig.

Coefficients B (Constant)

1

Std. Error

7,430

2,363

LN_X1

,519

,199

LN_X2

,503

LN_X3 Teknologi

Beta 3,144

,002

,370

2,603

,011

,171

,316

2,945

,004

,401

,270

,196

1,483

,141

,100

,112

,057

,889

,376

a. Dependent Variable: LN_Y

Berdasarkan perhitungan analisis regresi linear berganda diperoleh sebagai berikut : LnY = 7,430 + 0,519LnX1 + 0,503LnX2 + 0,401LnX3 + 0,1Dummy. Persamaan regresi diatas berarti : 1. Konstanta (Constant) Nilai konstanta sebesar 7,430. Hal ini berarti jika luas lahan (X1), modal (X2), tenaga kerja (X3), dan Teknologi (Dummy) keempatnya nol, maka nilai rata- rata produksi usahatani padi (yang mencerminkan yang mencerminkan pengaruh semua variable yang diabaikan) ditaksir sebesar 7,430 rupiah. 2. Koefisien X1 (Luas Lahan) Nilai koefisien X1 sebesar 0,519. Hal ini berarti jika luas lahan mengalami peningkatan sebesar satu satuan (hektare), sementara modal dan tenaga kerja dianggap tetap maka rata-rata produksi usahatani padi meningkat sebesar 0,519 satuan (rupiah).

3. Koefisien X2 (Modal) Koefisien X2 sebesar 0,503. Hal ini berarti jika modal mengalami peningkatan sebesar satu satuan (rupiah), sementara luas lahan dan tenaga kerja dianggap tetap maka rata-rata produksi usahatani padi meningkat sebesar 0,503 satuan (rupiah). 4. Koefisien X3 (Tenaga Kerja) Koefisien X3 sebesar 0,401. Hal ini berarti jika tenaga kerja mengalami peningkatan sebesar satu satuan (orang), sementara luas lahan dan modal dianggap tetap maka rata-rata produksi usahatani padi meningkat sebesar 0,401 satuan (rupiah) 5.

Koefisien D (Teknologi) Koefisien dummy sebesar 0,100. Hal ini berarti jika variabel luas lahan,

modal dan tenaga kerja tidak mengalami peningkatan, maka hasil produksi diharapkan lebih tinggi sekitar 0,100 rupiah untuk petani yang

menggunakan

teknologi modern dari petani yang menggunakan teknologi tradisional.

4.1. Pengujian Hipotesis 4.1.1. Pengujian Parsial (Uji t) Uji parsial ini dimaksudkan untuk mengetahui apakah masing-masing variabel bebas mempunyai pengaruh terhadap variabel terikat. Dalam penelitian ini uji parsial digunakan untuk mengetahui seberapa jauh luas lahan (X1), modal (X2), tenaga kerja (X3) dan teknologi (D) berpengaruh secara parsial terhadap produksi usahatani padi (Y). Adapun hasil uji parsial dapat dilihat dari tabel berikut :

Tabel 4.2. Hasil Pengujian Hipotesis dengan Uji Parsial (Uji t) Coefficientsa Model

Unstandardized Coefficients

Standardized

T

Sig.

Coefficients B (Constant)

1

a.

Std. Error

7,430

2,363

LN_X1

,519

,199

LN_X2

,503

LN_X3 Teknologi

Beta 3,144

,002

,370

2,603

,011

,171

,316

2,945

,004

,401

,270

,196

1,483

,141

,100

,112

,057

,889

,376

Dependent Variable: LN_Y

T tab : 1,66023

Dari hasil perhitungan dengan menggunakan program SPSS dapat diketahui: 1. Luas Lahan (X1) Diperoleh hasil t hitung sebesar 2,603 dengan probabilitas sebesar 0,011. Nilai probabilitas lebih kecil dari 0,05 dengan demikian ada pengaruh yang positif dan signifikan antara luas lahan (X1) dengan produksi usahatani padi (Y). 2. Modal (X2) Diperoleh hasil t hitung sebesar 2,945 dengan probabilitas sebesar 0,004. Nilai probabilitas lebih kecil dari 0,05 dengan demikian ada pengaruh yang positif dan signifikan antara modal (X2) dengan produksi usaha tani padi (Y). 3. Tenaga kerja (X3) Diperoleh hasil t hitung sebesar 1,483 dengan probabilitas sebesar 0,141. Nilai probabilitas lebih besar dari 0,05 dengan demikian ada pengaruh yang positif namun tidak signifikan antara tenaga kerja (X3) dengan produksi usaha tani padi (Y). 4. Teknologi (D)

Diperoleh hasil t hitung sebesar 0,889 dengan probabilitas sebesar 0,376. Nilai probabilitas lebih besar dari 0,05 dengan demikian teknologi mempunyai pengaruh yang positif namun tidak signifikan dengan produksi usahatani padi (Y). 4.1.2. Pengujian Secara Bersama (Uji F) Uji hipotesis secara bersama-sama (Uji F) antara variabel bebas dalam hal ini antara luas lahan (X1), modal (X2), tenaga kerja (X3), Teknologi (D) dan produksi usahatani padi (Y). Hasil analisis secara bersama-sama berdasarkan hasil analisis dengan bantuan program SPSS : Tabel 4.3. Hasil Pengujian Hipotesis dengan Uji Bersama-Sama (Uji F)

ANOVAa Model

1

Sum of Squares

df

Mean Square

Regression

41,263

4

10,316

Residual

11,156

95

,117

Total

52,419

99

F

Sig.

87,848

,000b

a. Dependent Variable: LN_Y b. Predictors: (Constant), Teknologi, LN_X3, LN_X2, LN_X1

Hasil perhitungan dengan

menggunakan program SPSS

dapat diketahui

bahwa F hitung sebesar 87,848 lebih besar dari F tabel sebesar 2,70 dengan nilai probabilitas 0,000, karena nilai probabilitas lebih kecil dari 0,05 maka nilai F hitung yang diperoleh tersebut signifikan. Jadi dapat dikatakan bahwa ada pengaruh positif dan signifikan antara luas lahan (X1), modal (X2), tenaga kerja (X3) dan Teknologi (D) secara bersama-sama terhadap produksi usahatani padi (Y).

4.1.3. Uji Koefisien Determinasi R2 Uji R2 digunakan untuk mengetahui besarnya pengaruh variabel bebas terhadap variabel terikat. Hasil uji koefisien determinasi R2 sebagai berikut :

Tabel 4.4 Hasil Uji Koefisien Determinasi (R2) Model Summaryb Model

R

1

,887a

R

Adjusted

Std. Error of

Square

R Square

the Estimate

,787

,778

,34268

a. B Predictors: (Constant), Teknologi, LN_X3, LN_X2, LN_X1 b. Dependent Variable: LN_Y

Berdasarkan tabel di atas diperoleh R2 sebesar 0,787 berarti data tersebut menunjukkan bahwa pengaruh luas lahan, modal, tenaga kerja dan modal terhadap produksi usahatani padi di Kecamatan Batang sebesar 78%. Sedangkan sisanya yaitu sebesar 22% dipengaruhi oleh faktor-faktor lain yang tidak dibahas dalam penelitian ini. 4.2. Uji Asumsi Klasik 4.2.1. Uji Normalitas Data Uji normalitas residual bertujuan untuk menguji apakah dalam model regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal ataukah tidak. Model regresi yang baik adalah memiliki distribusi residual normal atau

mendekati normal. Berdasarkan perhitungan didapat hasil sebagai

berikut : Gambar 1. Sebaran Plot pada Uji Normalitas Data

Berdasarkan gambar 4.1 menunjukkan bahwa penyebaran plot berada di sekitar dan sepanjang garis 450 . Dengan demikian menunjukkan bahwa data-data pada variabel penelitian berdistribusi normal. 4.2.2 Uji multikolinieritas Uji multikolinieritas ini dilakukan untuk mengetahui adanya hubungan linier yang pasti diantara beberapa atau semua variabel independen yang menjelaskan model regresi. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen.Untuk mengetahui ada tidaknya multikoliniearitas dapat pula dilihat pada nilai Tolerance dan VIF (Variance Inflation Factor), yaitu : Jika nilai tolerance >0,10 dan VIF <10, maka dapat diartikan bahwa tidak terdapat multikolinearitas pada penelitian tersebut. Jika nilai tolerance <0,10 dan VIF >10, maka dapat diartikan bahwa terjadi gangguan multikolinearitas pada penelitian tersebut. Adapun hasil pengujian multikolinieritas dapat dilihat pada Tabel 4.5 sebagai berikut : Tabel 4.5. Tabel Hasil Uji Multikolinieritas Variabel Ln X1 Ln X2 Ln X3 D

Tolerance 0,111 0,194 0,128 0,544

VIF 9,022 5,154 7,816 1,839

Berdasarkan Tabel 4.5 dapat diketahui model regresi bebas multikolinieritas karena nilai tolerance semua variabel > 0,10, nilai tolerance variabel luas lahan sebesar 0,111, nilai tolerance variabel modal sebesar 0,194, variabel tenaga kerja sebesar 0,128 dan variabel teknologi sebesar 0,544. VIF variabel independen < 10, yaitu variabel luas lahan sebesar 9,022, variabel modal sebesar 5,154 variabel tenaga kerja sebesar 7,816 dan teknologi sebesar 1,839, sehingga dalam penelitian ini tidak terjadi multikolinieriatas dalam regresinya.

4.2.2. Uji Heteroskedastisitas Uji

Heteroskedastisitas adalah

suatu

keadaan

dimana

varians

dan

kesalahan pengganggu tidak konstan untuk semua variabel bebas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara untuk mengetahui ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola scatterplot model tersebut. Apabila dari grafik scatterplot terlihat bahwa titik-titik meyebar secara acak serta tersebar baik diatas maupun dibawah angka nol, titik- titik data tidak mengumpul hanya diatas atau dibawah saja, penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali, dan penyebaran titik-titik data tidak terpola. Berdasarkan hasil analisis dengan program komputasi SPSS diperoleh scatterplot yang tidak membentuk pola tertentu, maka model regresi tidak memiliki gejala heterokedastisitas. Berikut gambar scatterplot tersebut: Gambar 2. Scatter plot pada Uji Heteroskedastisitas

Dari Gambar 2 terlihat titik-titik meyebar secara acak serta tersebar baik diatas maupun di bawah angka nol, titik-titik data tidak mengumpul hanya diatas atau dibawah

saja,

penyebaran

titik-titik

data

tidak

membentuk

pola

bergelombang melebar kemudian menyempit dan melebar kembali, dan penyebaran titik-titik data tidak terpola. Maka dapat disimpulkan bahwa model regresi linier berganda terbebas dari asumsi klasik heteroskedastisitas dan layak digunakan dalam penelitian. 4.2.3. Autokolerasi Berdasarkan hasil analisis didapatkan tabel uji autokolerasi sebagai berikut : Tabel 4.6. Hasil Uji Autokolerasi Model Summaryb Mo

R

del

R

Adjusted Std. Error

Squar R Square e

Change Statistics

of the

R Square

F

Estimate

Change

Chang

df1

Durbin-

df2

Sig. F

Watson

Change

e 1

,887a

,787

,778

,34268

,787

87,84 8

4

95

,000

1,998

a. Predictors: (Constant), Teknologi, LN_X3, LN_X2, LN_X1 b. Dependent Variable: LN_Y

Dari tabel hasil uji autokorelasi di atas diperoleh angka uji Durbin Watson sebesar 1,998. angka ini berada diantara 1,66 hingga 2,002 yang berarti tidak ada autokorelasi dari model tersebut. Sehingga layak digunakan dalam penelitian. Kriteria uji autokorelasi adalah sebagai berikut: a. Bila angka DW lebih < - 2 berarti ada autokorelasi yang positif. b. Bila angka DW - 2 sampai dengan +2 berarti tidak ada autokorelasi. c. Bila angka DW > + 2 berarti ada autokorelasi yang negatif.

V.

Kesimpulan

Daftar Pustaka