METODOLOGI KOEFISIEN DETERMINASI DAN UJI ASUMSI KLASIK

AUTOKORELASI

1. KOEFISIEN DETERMINASI
Menurut Ghozali (2013), koefisien determinasi (R2) digunakan untuk mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel independen. Koefisien determinasi ini
digunakan karena dapat menjelaskan kebaikan dari model regresi dalam memprediksi variabel
dependen. Nilai koefisien determinansi adalah antara nol dan satu.
a.Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan
variasi variabel dependen amat terbatas.
b.Nilai yang mendekati satu berarti variabel-variabel independennya memberikan hhampir
semua informasi yang dibutuhkan untuk memprediksi variabel-variabel dependen.Dengan
demikian, semakin tinggi nilai koefisien determinasi maka akan semakin baik pila kemampuan
variabel independen dalam menjelaskan variabel dependen.Kelemahan penggunaan koefisien
determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam
model. Setiap tambahan satu variabel independen, maka R2akan meningkat. Oleh karena itu,
penelitian ini menggunakan adjusted R2(adjusted R square) (Ghozali, 2013).
Adjusted R square, merupakan nilai Rsquareyang di-adjusted sesuai ukuran model, dengan
menggunakan rumus Adjusted R Square = 1 –(SSres/dfress)/(SStotal/dftotal). Atau dapat
dirumuskan dalam berikut:
Dimana : N = Banyaknya observasi
K = Banyaknya variabel (bebas dan terikat)
Dari rumus diatas dapat dilihat bahwa adjusted R square akan terlihat bernilai negative ketika
nilai R square terlalu kecil sedangkan rasio antara jumlah observasi (N) dengan banyaknya
variabel (k) terlalu kecil. Dengan menggunakan nilai adjusted R2 dapat dievaluasi model
regresi mana yang terbaik. Tidak seperti nilai R2, nilai adjusted R2 dapat naik atau turun jika
satu variabel independen ditambahkan ke dalam model (Ghozali, 2013)

Karena variabel independen pada penelitian ini lebih dari 2, maka koefisien determinasi yang
digunakan adalah Adjusted R Square (Imam Ghozali, 2005). Dari koefisien determinasi (R2 )
ini dapat diperoleh suatunilai untuk mengukur besarnya sumbangan dari beberapa variabel X
terhadap variasi naik turunnya variabel Y yang biasanya dinyatakan dalam persentase.
http://digilib.unila.ac.id/4334/16/BAB%20III.pdf
Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil
dari R Square dan angka ini bisa memiliki harga negatif. Menurut Santoso (2001) bahwa
untuk regresi dengan lebih dari dua variabel bebas digunakan Adjusted R2 sebagai koefisien
determinasi.
http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-berganda.html

iya benar, jumlah variabel mempengaruhi adjusted R2. Untuk sampel ukuran besar, nilai R2
baik adjusted maupun non adjusted akan mirip. Guna dari adjusted R2 adalah
menggeneralisasikan R2 pada populasi, karena ada unsur estimasi populasi di dalamnya.
Menurutku tergantung penelitian kita. Kalau penelitian kita lebih mengarah pada penelitian
populasi (pengambilan melalui random dari populasi yang ditetapkan), kita memakai adjusted
R2. Tapi kalau individu yang kita teliti kita pilih dengan non-random (misalnya sampling
purposif, accidental) maka individu yang kita teliti namanya subjek atau partisipan, bukan
sampel. Pada kasus ini kita cukup menggunakan R2 saja karena tidak bertujuan untuk
menggeneralisasikan ke populasi yang lebih luas.
http://widhiarso.staff.ugm.ac.id/wp/adjusted_r_squared_spss/comment-page-3/

ada koefisien determinasi (R2) biasanya digunakan untuk dua variabel independen saja.
Sedangkan untuk variabel independen lebih dari dua, maka lebih baik menggunakan Adjusted
R Square(Santoso, 2001: 167)
http://etheses.uin-malang.ac.id/2088/7/06610064_Bab_3.pdf
Tjiptono, F., & Santoso. S. (2001). Riset Pemasaran : Konsep dalam Aplikasi SPSS. PT Elex
Media Computindo, Jakarta.

2. UJI ASUMSI KLASIK

Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk mengetahui adakah
korelasi variabel yang ada di dalam model prediksi dengan perubahan waktu. Oleh karena itu,
apabila asumsi autokorelasi terjadi pada sebuah model prediksi, maka nilai disturbance tidak
lagi berpasangan secara bebas, melainkan berpasangan secara autokorelasi. Dalam
kesempatan ini, kita hanya akan fokus pada tutorial uji autokorelasi dengan SPSS. Namun
prinsip penting lainnya tetap akan kami bahas secara singkat dan padat serta mudah
dipahami.
Uji autokorelasi di dalam model regresi linear, harus dilakukan apabila data merupakan data
time series atau runtut waktu. Sebab yang dimaksud dengan autokorelasi sebenarnya adalah:
sebuah nilai pada sampel atau observasi tertentu sangat dipengaruhi oleh nilai observasi
sebelumnya.
https://www.statistikian.com/2017/01/uji-autokorelasi-durbin-watson-spss.html
Menurut Danang Sunyoto (2016:97) menjelaskan uji autokorelasi sebagai berikut:
“Persamaan regresi yang baik adalah yang tidak memiliki masalah autokorelasi, jika terjadi
autokorelasi maka persamaan tersebut menjadi tidak baik atau tidak layak dipakai prediksi.
Masalah autokorelasi baru timbul jika ada kolerasi secara linier antara kesalahan pengganggu
periode t (berada) dengan kesalahan pengganggu periode t-1 (sebelumnya). Dengan demikian
dapat dikatakan bahwa uji asumsi klasik autokorelasi dilakukan untuk data time series atau
data yang mempunyai seri waktu, misalnya data dari tahun 2000 s/d 2012”.
Menurut Danang Sunyoto (2016:98) salah satu ukuran dalam menetukan ada tidaknya
masalah autokorelasi dengan uji Durbin-Watson (DW) dengan ketentuan sebagai berikut:
a.“Terjadi autokorelasi positif, jika nilai DW dibawah -2 (DW < -2).
b.Tidak terjadi autokorelasi, jika nilai DW berada di antara -2 dan +2 atau -2 < DW < +2.
c.Terjadi autokorelasi negatif jika DW di atas +2 atau DW > +2”.
http://repository.unpas.ac.id/41545/6/BAB%20III%20C%20Fix.pdf
Sunyoto, Danang. 2016. Metodologi Penelitian Akuntansi. Bandung: PT Refika Aditama.