BAB III METODE PENELITIAN
A. Objek dan Subjek Penelitian 1. Objek Penelitian Daerah penelitain yang digunakan adalah meliputi 5 (lima) Kecamatan yang berada di Daerah Kabupaten Lombok Barat, yaitu : a.
Kecamatan Sekotong
b.
Kecamatan Kediri
c.
Kecamatan Narmada
d.
Kecamatan Lingsar
e.
Kecamatan Batulayar
2. Subjek Penelitian Variabel dependen yang digunakan pada penelitian ini adalah pendapatan daerah sektor pariwisata sedangkan variabel independen yang digunakan dalam penelitian ini adalah jumlah wisatawan, jumlah objek wisata, jumlah usaha wisata dan pajak usaha wisata. B. Jenis Data Penelitian ini menggunakan analisis kuantitatif dan data sekunder berupa data time series dan cross section dalam bentuk data tahunan selama periode tahun 2008 sampai dengan 2015. Karena metode panel data merupakan metode penggabungan antara time series dan cross section sehingga
di
dalam
pengolahan
44
data
menggunakan
metode
panel
45
data sebaiknya jumlah data time series dan cross section lebih banyak sehinggan bisa memberikan hasil yang signifikan di dalam pegolahan data tersebut. C. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini dikumpulkan oleh penulis dengan menggunakan metode library research atau kepustakaan yaitu penelitian yang menggunakan bahan-bahan kepustakaan berupa tulisan ilmiah, artikel, jurnal, majalah, laporan-laporan penelitian ilmiah yang berhubungan dengan topic penelitian. Teknik pengumpulan data pada penelitian ini dengan melakukan pencatatan secara langsung berupa data time series dan cross section dari tahun 2008 sampai dengan 2015 yang diperoleh dari Dinas Pariwisata, Badan Pusat Statistik (BPS) dan Dinas Pendapatan dam Pengeloaan Keuangan Daerah (DPPKD) Daerah Kabupaten Lombok Barat serta instansi laiinya yang terkait dengan penelitian ini. D. Definisi Operasional Variabel Penelitian 1. Definisi Variabel Penelitian Penelitian ini menggunakan variabel yaitu variabel terikat (dependen) dan Variabel bebas (independen). Variabel dependen dalam penelitian ini adalah pendapatan daerah sektor pariwisata, sedangkan variabel independen adalah jumlah wisatawan, jumlah objek wisata, jumlah usaha wisata dan pajak usaha wisata. Berikut ini dijelaskan definisi operasional masing-masing variabel:
46
a) Penerimaan Daerah Sektor Pariwisata Pendapatan daerah sektor pariwisata adalah seluruh anggaran pendapatan yang di alokasikan oleh pemerintah Kabupaten Lombok Barat khusus untuk seluruh sektor pariwisata. b) Jumlah wisatawan Jumlah wisatawan yang dimaksud orang-orang yang melakukan kegiatan wisata (Undang-Undang Nomor 10 Tahun 2009). Semua orang yang melakukan perjalanan wisata dinamakan wisatawan. Apapun tujuannya yang penting perjalanan itu bukan untuk menetap dan tidak untuk mencari nafkah ditempat yang dikunjungi. c) Jumlah objek wisata obyek wisata yang dimaksud merupakan potensi yang menjadi pendorong kehadiran wisatawan ke suatu daerah tujuan wisata. Dalam kedudukannya yang sangat menentukan itu maka obyek wisata harus dirancang dan dibangun atau dikelola secara profesional sehingga dapat menarik wisatawan untuk datang. d) Jumlah usaha wisata Jumlah usaha wisata adalah penyediaan akomodasi wisata yang meliputi jasa wisata dari segi tempat tinggal ,makanan dan minuman untuk para wisatawan serta adanya sarana dan
47
prasana yang lain untuk menunjang kebutuhan dan keinginan dari wisatawan tersebut sehingga bisa memberikan rasa nyaman dan bisa memenuhi kebutuhan bagi para wisatawan yang berbeda-beda. e) Pajak usaha wisata Menurut Undang-Undang No.34 tahun 2000 tentang pajak daerah, di dalam undang-undang tersebut mencakup adanya pajak hotel,pajak hiburan dan pajak restoran. Pajak pajak tesebut yang menjadi salah satu dasar untuk di jadikan sumber penerimaan daerah dari sektor pariwisata.. E. Uji Hipotesis dan Analisis Data Metode analisis regresi data panel dipilih penulis dalam menganalisis data pada penelitian ini. Analisis regresi data panel digunakan untuk melihat sejauh mana pengaruh variabel-variabel bebas yang digunakan dalam meneliti pendapatan daerah sektor pariwisata antar 5 (lima) Kecamatan yang berada di wilayah Kabupaten Lombok Barat. Data panel (pooled data) diperoleh dengan cara menggambungkan data time series dengan cross section. Analisis regresi dengan data panel (pooled data) memungkinkan peneliti mengetahui karakteristik antar waktu dan antar individu dalam variabel yang bisa saja berbeda-beda. Metode data panel merupakan suatu metode yang digunakan untuk melakukan analisis empiric dengan perilaku data yang lebih dinamis. Adapun
48
kelebihan yang di peroleh dari penggunaan data panel sebagai berikut (Gujarati, 2004): 1. Data panel mampu menyediakan lebih banyak data, sehingga dapat memberikan informasi yang lebih lengkap. Sehingga diperoleh degree of freedom (df) yang lebih besar sehingga estimasi yang dihasilkan lebih baik. 2. Data panel mampu mengurangi kolinieritas variabel. 3. Dapat menguji dan membangun model perilaku yang lebih kompleks. 4. Mampu menggambungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul karena adanya masalah penghilangan variabel (omitted variable). 5. Data panel lebih mampu mendeteksi dan mengukur efek yang secara sederhana tidak mampu dilakukan oleh data time series murni apapun cross section murni. 6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregat individu, karena data yang diobservasi lebih banyak. F. Metode Estimasi Model Regresi Panel Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain: 1. Model Pooled Least Square (Common Effect) Model ini dikenal dengan estimasi Common Effect yaitu teknik regresi Yang paling sederhana untuk mengestimasi data panel dengan cara hanya mengkombinasikan data time series dan cross section. model
49
ini hanya menggambungkan data tersebut tanpa melihat perbedaan antar waktu dan individu sehigga dapat dikatakan bahwa model ini sama halnya
dengan
metode
Ordinary
Least
Square
(OLS)
karena
menggunakan kaudrat terkecil. Dalam pendekatan ini hanya mengamsumsikan bahwa perilaku data antar ruang sama dalam berbagai kurun waktu. Pada beberapa penelitian data panel, model ini sering kali tidak pernal digunakan sebagai estimasi utama karena sifat dari model ini yang tidak membedakan perilaku data sehingga memungkinkan terjadinya bias, namun model ini digunakan sebagai pembanding dari kedua pemilihan model lainnya. Adapun persamaan regresi dalam model common effects dapat ditulis sebagai berikut (Basuki, 2014): πππ‘ = πΌ + πππ‘ π½ + πππ‘
Dimana : i = Kecamatan Sekotong, Kediri, Narmada, Lingsar, Batulayar t = 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015 dimana i menunjukkan cross section (Individu) dan tmenunjukan periode waktunya. Dengan asumsi komponen error dalam pengolahan kuadrat terkecil bisa, proses estimasi secara terpisah untuk setiap unit cross section dapat dilakukan.
50
2. Model Pendekatan Efek Tetap (Fixed Effect) Pendekatan model ini menggunakan variabel boneka atau dummy yang dikenal dengan sebutan model efek tetap (Fixed Effect) atau Least Square Dummy Variabel atau disebur juga Covariance Model. Pada metode Fixed Effect estimasi dapat dilakukan dengan tanpa pembobot (no weight) atau Least Square Dummy Variabel (LSDV) dan dengan pembobot (cross section weight) atau General Least Square. Tujuan dilakukan pembobotan adalah untuk mengurangi heterogenitas antar unit cross section (Gujarati, 2006). Penggunaan model ini tepat untuk melihat perilaku data dari masing-masing variabel sehingga data lebih dinamis dalam menginterpretasi data. Pemilihan model antara Common Effect dengan Fixed Effect dapat dilakukkan dengan pengujian Likehood Test Radio dengan ketentuan apabila nilai probabilitas yang dihasilakn signifikan dengan alpha maka dpat diambil keputusan dengan menggunakan Fixed Effect Model. 3. Model Pendekatan Efek Acak (Random Effect) Model data panel pendekatan ketiga yaitu model efek acak (random effect). Dalam model efek acak, parameter-parameter yang berbeda antar daerah maupun antar waktu dimasukan ke dalam error. Karena hal inilah, model efek acal juga disebut model komponen eror (error component model).
51
Dengan menggunakan model efek acak ini, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan semakin efisien. Keputusam penggunaan model efek tetap ataupun acak ditentukan dengan menggunakn uji hausman. Dengan ketentuan apabila probabilitas yang dihasilkan signifikan dengan alpha maka dapat digunakan model Fixed Effect namun apabila sebaliknya maka dapat memilih salah satu yang terbaik antara Fixed Effect dengan Random Effect. Dengan demikian, persamaan model Random Effect dapat dituliskan sebagai berikut : Yit = πΌ + πππ‘ π½ + πππ‘
i
= Kecamatan Sekotong, Kediri, Narmada, Lingsar,
Batulayar t = 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015
Dimana : Wit = πππ‘ + π’1 ; πΈ πππ‘ = 0; πΈ πππ‘ 2 = πΌ 2 + πΌπ’2 ; E(Wit,Wit-1)= 0; i β j; E(π’π , πππ‘ ) = 0; E(ππ , πππ ) = πΈ ππ , πππ = πΈ ππ , πππ = 0
52
Meskipun
komponen
error
π€π‘ bersifat
homoskedastik,
nyatanya terdapat korelasi π€π‘ antara dan wit-s (equicorrelation), yakni : πΆπππ π€ππ‘ , π€π
π‘β1
= πΌπ’2 /(πΌ 2 + πΌπ’2 )
Karena itu, metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien bagi model random effects adalah Generalized Least Square (GLS) dengan asumsi homokedastik dan tidak ada cross-sectional correlation. G. Pemilihan Model Untuk memilih model yang paling tepat digunakan dalam mengolah data panel, terdapat beberapa pengujian yang dapat dilakukan yakni : 1. Uji Chow Chow test yakni pengujian untuk menentukan model Fixed Effect atau Random Effects yakni paling tepat digunakan dalam mengestimasi data panel. Hipotesis yang dibentuk dalam chow test adalah sebagai berikut (Widarjono, 2007): H0 =Model Common Effect H1 = Model Fixed Effect H0 ditolak jika P-value lebih kecil dari nilai a. sebaliknya, H1 diterima jika P-value lebih besar dari nilai a. Nilai a yang digunakan sbesar 5%.
53
2. Uji Hausman Hausman test adalah adalah pengujian statistic untuk memilih apakah model Fixed Effect atau Random Effect yang paling tepat digunakan (Basuki, 2014). Hipotesis digunakan dalam bentuk Hausman test adalah sebagai berikut (Gujarati, 2012): H0 = Model Random Effect H1 = Model Fixed Effect H0 ditolak jika P-value lebih kecil dari nilaia. Sebaliknya H1 diterima jika P-value lebih besar dari nilai a. Nilai a yang digunakan sebesar 5%. 3. Uji Lagrange Multiplier Untuk mengetaui apakah model Random Effect lebih baik daripada metode Common Effect (OLS) digunakan uji Langrange Multiplier (LM). Secara formal, ada tiga prosedur pengujian yang akan digunakan, yaitu uji statistic F yang digunakan untuk memilih antara (Basuki, 2014). a)
Model common effect atau fixed effects;
b)
Uji Langrange Multiplier (LM) yang digunakan untuk memilih antara model common effects atau model random effects,
54
c)
Uji Hausman yang digunakan untuk memilih antara model fixed effects atau model random effects.
H. Teknik Penaksiran Model Pada penelitian ekonomi, seorang peneliti sering menghadapi kendala data. Apabila regresi diestimasi dengan data runtut waktu, observasi tidak mencukupi. Jika regresi diestimasi dengan data lintas sektoral selalu sedikit untuk menghasilkan estimasi yang efisien. Salah satu solusi untuk menghasilkan estimasi yang efisien adalah dengan menggunakan model regresi data panel. Data panel (pooling data) yaitru suatu model yang menggambungkan observasi lintas sektoral dan data runtut waktu. Tujuannya supaya jumlah observasinya meningkat. Apabila observasi meningkat maka akan mengurangi kolinieritas antara variabel penjelas dan kemudian akan memperbaiki efisiensi estimasi ekonometri (Insukindro, 2003). Hal yang diungkap oleh Baltagi, ada beberapa kelebihan penggunaan data panel yaitu: 1. Estimasi data panel dapat menunjukkan adanya heterogenitas dalam tiap unit. 2. Penggunaan data panel lebih informative, menggurangi kolinieritas antar variabel, meningkatkan derajat kebebasan dan lebih efisien. 3. Data panel cocok untuk digunakan karena menggambarkan adanya dinamika perubahan. 4. Data panel dapat meminimalkan bias yang mungkin dihasilkan dalam agregasi.
55
Untuk menguji estimasi pengaruh jumlah wisatawan, jumlah objek wisata, jumlah usaha wisata dan pajak usaha wisata terhadap pendapatan daerah sektor pariwisata digunakan alat regresi dengan model data panel. Ada dua pendekatan yang digunakan dalam menganalisis data panel. Pendekatan Fixed Effect dan Random Effect. Sebelum model estimasi dengan model yang tepat, terlebih dahulu dilakukan uji spesifikasi apakah Fixed Effect dan Random Effect atau keduannya memberikan hasil yang sama. Dari beberapa variabel yang digunakan dalam penelitian ini maka dapat dibuat model penelitian sebagai berikut: PDSP = f(JW,JOW,JUW,PUW) PDSP = Ξ²0 + Ξ²1JWit + Ξ²2JOWit + Ξ²3JUWit + Ξ²4PUWit + Ι Adanya perbedaan satuan dan besaran variabel bebas dalam persamaan menyenbabkan persamaan regresi harus dibuat dengan model logaritama-linier (log). Sehigga model persamaan regresinya menjadi sebagai berikut: LogPDSPit = Ξ²0 + LogJWit + Ξ²2JOWit + Ξ²3JUWit + LogΞ²4PUWit + Ι Keterangan: Log PDSPit
= Penerimaan daerah sektor pariwisata
Ξ²0
= Konstanta
Log Ξ²14
= Koefisien variabel 1,4
Log JW
= Jumlah wisatawan
JOW
= Jumlah objek wisata
JUW
= Jumlah usaha wisata
56
Log PUW
= Pajak usaha wisata
i
= Kecamatan
t
= Periode waktu ke-t
Ι
= Error Term
Dalam menguji spesifikasi model pada penelitian, penulis menggunakan beberapa metode: 1. Uji Chow Test Chow test yakni pengujian untuk menentukan model Fixed Effect atau Random Effect yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah: H0= Common Effect Model atau pool OLS H1= Fixed Effect Model Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan perhitungan F-statistik dengan F-tabel. Perbandingan dipekai apabila hasil F hitung lebih besar (>) dari F tabel maka H0 di tolak yang berarti model yang digunakan adalah common Effect Model (Widarjo, 2009). Perhitungan F-statistik didapat dari uji chow dengan rumus (Baltagi, 2005):
πΉ=
(SSE 1 βSSE 2 ) (n β1) SSE 2 (nt βn βk )
Dimana : SSE1
= Sum Square Error dari model Common Effect
SSE2
= Sum Square Error dari model Fixed Effect
57
n
= Jumlah Kecamatan (cross section)
nt
= Jumlah cross section x jumlah time series
k
= Jumlah Variabel Independen
Sedangkan variable F tabel didapat dari : πΉ β π‘ππππ = π: ππ π β 1, ππ‘ β π β π Dimana : a
= tingkat signifikan yang dipakai
n
= jumlah perusahaan (cross section)
nt
= jumlah cross section x time series
k
= jumlah variabel independen
2. Uji Hausman Uji Spesifik Hausman membandingkan model fixed effect dan random effectdi bawah hipotesis nol yang berarti bahwa efek individual tidak berkorelasi dengan regresi dalam model. H0= Random Effect model H1= Fixed Effect Model Hausman test ini menggunakan nilai chi-square sehingga keputusan pemilihan metode data panel ini dapat ditentukan secara statistik. Dengan asumsi bahwa errorsecara individual tidak saling berkorelasi begitu juga error kombinasinya.
58
Statistik hausman menggunakan nilai Chi square statistik. Jika hasil uji hausman test signifikan maka metode yang digunakan dalam pengolahan data panel adalah Fixed Effect Model. Jika tes Hausman tidak menunjukan perbedaan yang signifikan (p>0,05), itu mencerminkan bahwa efek random estimator tidak aman bebas dari bias, dank arena itu lebih dianjurkan kepada estimasi fixed effect dari pada efek estimor tetap. I. Uji Kualitas Data Dengan pemakaian metode Ordinary Least Square (OLS), untuk menghasilkan nilai parameter model penduga yang lebih tepat, maka diperlukan pendeteksian apakah model tersebut menyimpang dari asumsi klasik atau tidak, deteksi tersebut terdiri dari: 1. Uji Multikolinearitas Multilolinearitas dapat diartikan sebagai suatu keadaan dimana satu atau lebih variabel bebas dapat dinyatakan sebagai kombinasi kolinier dari variabel yang lainnya. Uji ini bertujuan untuk mengetahui apakah dalam regresi ini ditemukan adanya korelasi antar variabel independen. Jika terjadi korelasi maka terdapat problem multikolinearitas. Salah satu cara mendeteksi adanya multikoliniearitas yaitu: 1) R2 cukup tinggi (0,7 β 0,1), tetapi uji-t untuk masing-masing koefisien regresi nya tidak signifikan. 2) Tingginya R2 merupakan syarat yang cukup (sufficient) akan tetapi bukan
syarat
yang
perlu
(necessary)
utuk
terjadinya
59
multikolinieritas, sebab pada R2 yang rendah < 0,5 bisa juga terjadi multikolinieritas. 3) Meregrisikan variabel independen X dengan variabel-variabel independen yang lain, kemudian di hitung R2 nya dengan uji F: ο·
Jika F*> F tabel berarti H0 di tolak, ada multikolinieritas
ο·
Jika F* < F tabel berarti H0 di terima, tidak ada multikoliniearitas
Adanya beberapa cara untuk mengetahui multikoliniearitas dalam suatu model salah satunya adalah dengan melihat koefisien korelasi hasil output computer. Jika terdapat koefisien korelasi yang lebih besar dari (0,9), maka terdapat gejala multikolinieritas. Cara mengatasi masalah multikolinieritas, satu variabel independen memiliki korelasi dengan variabel independen lain harus dihapus. 2. Uji Heterokedastisitas Suatu model regresi dikatakan terkena heterokedastisitas apabila terjadi ketidaksamaan varaians dari residual dari suatu pengamatan ke pengamatan yang lain. Jika varians dari residual dan satu pengamatan ke pengamatan yang lain tetap, maka di sebut homoskedastisitas. Jika varians berbeda di sebut heteroskedastisitas. Adanya sifat heterokedastisitas ini dapat membuat penaksisan dalam model bersifat tidak efisien. Umumnya masalah heterokedastisitas lebih biasa terjadi pada data cross section dibandingkan dengan time series (Gujarati,2006).
60
Untuk mendeteksi masalah heterokedastisitas dalam model, penulis menggunkan uji park yang sering digunakan dalam beberapa referensi. Dalam metodenya, park menyarankan suatu bentuk fungsi spesifik 2 diantara varian kesalahan ππ’π dan variabel bebas yang dinyatakan sebagai
berikut: 2 ππ’π = π½
πππ β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦... Persamaan dijadikan linier dalam bentuk persamaan log sehingga menjadi: 2 πΏπ ππ’π = π + π½ πΏπ ππ +
π£πβ¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦.... 2 Karena varian kesalahan (ππ’π ) tidak teramati, maka digunakan ππ2
sebagai penggantinya. Sehingga persamaan menjadi: πΏπππ2 = π + π½ πΏπ π1 + π£πβ¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦β¦.. Apabila koefisien parameter Ξ² dari persamaan regresi tersebut signifikan secara statistik, berarti didalam data terdapat masalah heterokedastisitas. Sebaiknya, jika Ξ² tidak signifikan, maka asumsi homokedastisitas pada data dapat di terima. Uji ini bertujuan untuk menguji apakah pada model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke pengamatan yang yain tetap, maka disebut heterokedastisitas. Model regresi yang baik
61
adalah tidak adanya heterokedatisitas. Dalam hal ini metode GLS, model ini
sudah
diantisipasi
dari
heterokedatisitas.
Deteksi
adanya
heterokedastisitas: 1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebat kemudian menyempit), maka telah terjadi heterokedastisitas. 2) Jika tidak afa pola yang jelas, serta titik-titik menyebar diatas dan dibawah
angka
0
pada
sumbu
Y,
maka
tidak
terjadi
heterokedastisita. J. Uji Statistik Analisis Regresi Uji signifikansi merupakan prisedur yang digunakan untuk menguji kesalahan atau kebenaran dari hasil hipotesis nol dari sampel. 1. Uji Koefisien Determinasi (R-Square) Koefisien determinasi R2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen untuk mengukur kebaikan suatu model (Goodness of Fit). Nilai koefisien determinasi diantara 0 dan 1 (0 < R2 <1), nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel independen sangat terbatas. Nilai yang mendeteksi 1 berarti variabel independen memberikan hamper semua informasi
yang
dibutuhkan untuk memprediksi variasi model dependen (Gujarati, 2003). Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel dependen, R2 pasti meningkat, tidak peduli
62
apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen atau tidak. Oleh karena itu, banyak peneliti menganjurkan untuk menggunakan nilai adjusted R2 pada saat mengevaluasi model regresi terbaik. Tidak seperti nilai R2, nilai adjusted R2 dapat naik dapat turun apabila satu variabel independen ditambahkan dalam model. Pengujian ini pada intinya adalah mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel independen. 2. Uji F-Statistik Uji F-statistik ini dilakukam untuk melihat seberapa besar pengaruh variabel independen secara keseluruhan untuk bersama-sama terhadap variabel dependen. Adapun langkah-langkah yang dilakukan dalam uji ini sebagai berikut: a) Merumuskan Hipotesis H0: Ξ²1 = Ξ²2 = Ξ²3 = Ξ²4 = 0, artinya secara bersama-sama tidak ada pengaruh variabel independen terhadap variabel dependen. Ha : Ξ²1: Ξ²2 : Ξ²3: Ξ²4β 0, artinya secara bersama-sama ada pengaruh variabel independen terhadap variabel dependen. b) Pengambilan Keputusan Pengambilan keputusan dalam uji F dilakukan dengan membandingkan probabilitas pengaruh variabel independen secara simultan antara variabel dependen dengan nilai alpha yang digunakan, dalam penelitian ini penulis menggunakan alpha 0,05. Jika probabilitas variabel independen > 0,05, maka
63
secara hipotesis H0 diterima, artinya variabel independen secara simultan (bersama-sama) tidak berpengaruh secara nyata terhadap
variabel
dependen.
Jika
probabilitas
variabel
independen < 0,05, maka secara hipotesis H0 ditolak atau menerima Ha, artinya variabel independen secara simultan (bersama-sama) berpengaruh terhadap variabel dependen. 3. Uji t-Statistik (Uji Parsial) Uji t dilakukan untuk meliaht signifikansi dari pengaruh variabel bebas secara individual terhadap variabel terikat dengan menganggap variabel bebas lainnya adalah konstan. Adapun langkah-langkah yang dilakukan dalam uji ini sebagai berikut: a. Merumuskan Hipotesis H0: Ξ²1 = Ξ²2 = Ξ²3 = Ξ²4 = 0, artinya tidak ada pengaruh secara individu variabel independen terhadap variabel dependen. Ha: Ξ²1 : Ξ²2 : Ξ²3: Ξ²4 β 0, artinya ada pengaruh secara individu variabel independen terhadap variabel dependen. b. Pengambilan Keputusan Pengambilan
keputusan
membandingkan
dalam
probabilitas
uji
variabel
T
dilakukan
independen
dengan terhadap
variabel dependen dengan nilai alpha yang digunakan, dalam penelitian ini penulis menggunakan alpha 0,05.
64
Jika probabilitas variabel independen > 0,05, maka secara hipotesis H0 diterima, artinya variabel independen secara partial (sendiri) tidak berpengaruh secara nyata terhadap variabel dependen. Jika probabilitas variabel independen < 0,05, maka secara hipotesis H0 ditolak atau menerima Ha, artinya variabel independen secara partial (sendiri) berpengaruh secara nyata terhadap variabel dependen. Uji ini dapat dilakukan dengan membandingkan t hitung dengan t tabel. Adapun rumus untuk mendapatkan t hitung adalaha sebagai berikut: t hitung = (bi β b)/sbi Dimana : bi
= koefisien variabel independen ke-i
b
= nilai hipotesis nol
sbi
= simpangan baku dari variabel independen ke-i
Pada tingkat signifikasnsi 5% dengan kriteria pengujian yang dilakukan sebagai berikut: a. Jika t hitung < t tabel maka H0 diterima dan H1 ditolak, yang artinya
salah
satu
variabel
bebas
(independent)
tidak
mempengaruhi variabel terikat (dependent) secara signifikan. b. Jika t hitung > t tabel maka H0 ditolak dan H1 diterima, yang artinya salah satu variabel bebas (independent) mempengaruhi variabel terikat (dependent) secara signifikan.
65