Hasil Analisis Data

4.3. Hasil Analisis Data

4.3.1. Analisis Regresi Linier Berganda

Uji regresi linear berganda digunakan untuk mengetahui ada tidaknya pengaruh antara variabel independen dengan variabel dependen. Perhitungan persamaan regresi dilakukan dengan menggunakan program SPSS versi 17. Hasil perhitungan dapat dilihat sebagai berikut: Uji regresi linear berganda digunakan untuk mengetahui ada tidaknya pengaruh antara variabel independen dengan variabel dependen. Perhitungan persamaan regresi dilakukan dengan menggunakan program SPSS versi 17. Hasil perhitungan dapat dilihat sebagai berikut:

Tabel 4.4. Koefisien Regresi Linier

Coefficients a

Model

Unstandardized Coefficients

Standardized

Coefficients

t B Sig. Std. Error Beta 1 (Constant)

2.446 0.020 a. Dependent Variable: y

Sumber: Output SPSS 17

Berdasarkan tabel 4.4 didapat persamaan regresi sebagai berikut: Y = 1083982.178 + 3266252.603X 1 + 825258.351X 2 + 421638.823X 3 +

43401.346X 4 + 1301076.748X 5

Berdasarkan dari hasil output SPSS 17 maka dapat diinterpretasi dari koefisien persamaan regresi berdasarkan besarnya koefisien Unstandardized variabel independen dapat dijelaskan sebagai berikut:

A. Koefisien regresi luas bangunan kios pasar (X 1 ).

Koefisien regresi luas bangunan kios pasar sebesar 3266252.603 menyatakan bahwa jika X 1 naik sebesar 1 poin dan variabel lain diasumsikan konstan maka Y akan naik sebesar 3266252.603 poin. Nilai koefisien yang positif menunjukkan pengaruh yang searah antara nilai kontrak pasar dengan luas bangunan kios pasar.

B. Koefisien regresi luas bangunan loos pasar (X 2 ).

Koefisien regresi luas bangunan loos pasar sebesar 825258.351 menyatakan bahwa jika X 2 naik sebesar 1 poin dan variabel lain diasumsikan konstan maka Y akan turun sebesar 825258.351 poin. Nilai koefisien yang positif menunjukkan pengaruh yang searah antara nilai kontrak pasar dengan luas bangunan loos pasar.

perpustakaan.uns.ac.id digilib.uns.ac.id

C. Koefisien regresi luas selasar (X 3 ).

Koefisien regresi luas toilet sebesar 421638.823 menyatakan bahwa jika X 3 naik sebesar 1 poin dan variabel lain diasumsikan konstan maka Y akan turun sebesar

421638.823 poin. Nilai koefisien yang negatif menunjukkan pengaruh yang berlawanan antara nilai kontrak pasar dengan luas toilet.

D. Koefisien regresi luas parkir (X 4 ).

Koefisien regresi luas selasar sebesar 43401.346 menyatakan bahwa jika X 4 naik sebesar 1 poin dan variabel lain diasumsikan konstan maka Y akan naik sebesar 43401.346 poin. Nilai koefisien yang positif menunjukkan pengaruh yang searah antara nilai kontrak pasar dengan luas selasar.

E. Koefisien regresi luas bangunan pelengkap (X 5 ).

Koefisien regresi luas kantor sebesar 1301076.748 menyatakan bahwa jika X 5 naik sebesar 1 poin dan variabel lain diasumsikan konstan maka Y akan naik sebesar 1301076.748 poin. Nilai koefisien yang positif menunjukkan pengaruh yang searah antara nilai kontrak pasar dengan luas kantor.

4.3.1.1. Koefisien Determinasi

Untuk mengetahui besarnya persentase variasi dalam variabel terikat yang dapat

dijelaskan oleh variasi dalam variabel bebas, maka dapat dicari nilai R 2 (koefisien determinasi). Nilai koefisien determinasi dapat dilihat sebagai berikut:

Tabel 4.5. Koefisien Determinasi

Model Summary b

Model

R Square

Adjusted R

Square

Std. Error of the Estimate

1 .984 a 0.968

a. Predictors: (Constant), x5, x3, x2, x4, x1 b. Dependent Variable: y

Sumber: output SPSS 17 Sumber: output SPSS 17

Besarnya nilai R 2 didapat dari nilai adjusted RSquare tabel 4.5 adalah 0.963

menunjukkan bahwa 96.3 % variabel terikat (nilai kontrak) dapat dijelaskan oleh variabel bebas, sedangkan sisanya sebesar 3,7 % dipengaruhi oleh factor lain diluar

model.

4.3.1.2. Uji Statistik F

Uji F digunakan untk mengetahui seberapa besar pengaruh variabel bebas (luas kios, luas loos, luas selasar, luas parkir dan luas bangunan pelengkap) secara simultan terhadap variabel terikatnya (nilai kontrak) pada pembangunan pasar tradisional di daerah Eks. Karisedenan Surakarta. Hasil uji F dapat dilihat sebagai berikut:

Tabel 4.6. Uji F

ANOVA b

Model

Sum of Squares

df Mean Square

F Sig. 1 Regression

4.859E+20

5 9.718E+19

194.035 .000 a Residual

37 a. Predictors: (Constant), x5, x3, x2, x4, x1 b. Dependent Variable: y

Sumber: output SPSS 17

Berdasar output SPSS 17 pada tabel 4.6 diperoleh nilai taraf signifikansi 0. Nilai tersebut lebih kecil dari tingkat derajat kepercayaan 0.05. Hal ini berarti terdapat pengaruh antara variabel bebas terhadap variabel terikat secara simultan dapat diterima.

4.3.1.3. Uji Parsial / Uji Statistik t

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel bebas yang digunakan terhadap variabel terikat yaitu nilai kontrak. Hasil uji t dapat dilihat sebagai berikut: Uji t digunakan untuk mengetahui pengaruh masing-masing variabel bebas yang digunakan terhadap variabel terikat yaitu nilai kontrak. Hasil uji t dapat dilihat sebagai berikut:

Tabel 4.7. Uji t

Coefficients a

Model

Unstandardized Coefficients

Standardized

Coefficients

t B Sig. Std. Error Beta 1 (Constant)

2.446 0.020 a. Dependent Variable: y

Sumber: output SPSS 17

Dari hasil uji t pada tabel 4.7 dapat dilihat bahwa secara parsial variabel bebas yang berpengaruh terhadap variabel terikat hanya ada tiga variabel dari lima variabel bebas yaitu luas kios, luas loos dan luas selasar. Hal ini berarti variabel bebas terdapat pengaruh terhadap variabel terikat secara parsial tidak sepenuhnya dapat diterima. Untuk lebih jelasnya pengaruh variabel bebas terhadap variabel terikat dapat dilihat sebagai berikut:

A. Variabel luas kios memiliki signifikansi 0 (P < 0.05). Dalam hal ini berarti variabel luas kios pasar berpengaruh secara signifikan terhadap nilai kontrak.

B. Variabel luas loos memiliki signifikansi 0 (P < 0.05). Nilai signifikansi tersebut berarti variabel luas loos pasar berpengaruh secara signifikan terhadap nilai kontrak.

C. Variabel luas selasar memiliki signifikansi 0.008 (P < 0.05). Dalam hal ini berarti luas selasar di dalam pembangunan pasar berpengaruh secara signifikan terhadap nilai kontrak.

D. Variabel luas parkir memiliki signifikansi 0.839 (P > 0.05). Untuk hal ini berarti luas parkir tidak berpengaruh secara signifikan terhadap besarnya nilai kontrak.

perpustakaan.uns.ac.id digilib.uns.ac.id

E. Variabel luas bangunan pelengkap 0.020 (P < 0.05). Nilai signifikansi dalam bangunan pelengkap yang terdiri dari toilet, kantor, tangga, saluran drainase dan lain-lain, berarti luas bangunan pelengkap tersebut berpengaruh secara signifikan terhadap besarnya nilai kontrak.

4.3.2. Uji klasikal regresi linier

Secara teoritis analisis data yang digunakan dalam penelitian ini akan menghasilkan nilai parameter model pendugaan yang sahih bila telah memenuhi nilai asumsi klasik regresi normalitas, heteroskedastisitas, autokorelasi, multikolinearitas. Untuk lebih jelasnya dapat dikemukakan sebagai berikut:

A. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Pengujian normalitas dilakukan dengan menggunakan analilis grafik dan analisis statistik. Untuk lebih jelasnya uji normalitas sebagai berikut:

1) Analisis grafik Salah satu cara termudah untuk melihat normalitas residual adalah dengan uji normal P-P plot yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Distribusi normal akan membentuk satu garis diagonal. Jika distribusi data residual normal, maka garis yang menggaambarkan data sesungguhnya akan mengikuti garis diagonalnya. Setalah dilakukan pengolahan dengan menggunakan bantuan program SPSS

17, maka diperoleh hasil seperti tampak pada gambar 4.7 berikut: 17, maka diperoleh hasil seperti tampak pada gambar 4.7 berikut:

Gambar 4.7. Grafik Uji Normalitas P-P plot

Sumber: Output SPSS 17

Karena letak titik-tik tidak jauh dari garis diagonal maka disimpulkan bahwa nilai residual sudah terdistribusikan normal.

2) Analisis statistik Pengujian analisis statistic dilakukan dengan menggunakan uji One Sample Kolmogorov-Smirnov Test pada unstandarized residual. Dengan uji ini diketahui apakah data ang diamati sesuai dengan distribusi tertentu. Kriteria yang digunakan dengan membandingkan nilai sign 2 tailed, apabila nilai sign

2 tailed > 0,05 maka data terdistribusi normal. Setelah dilakukan pengolahan dengan menggunaka bantuan program SPSS 17, maka diperoleh hasil seperti tampak pada tabel 4.8 berikut: 2 tailed > 0,05 maka data terdistribusi normal. Setelah dilakukan pengolahan dengan menggunaka bantuan program SPSS 17, maka diperoleh hasil seperti tampak pada tabel 4.8 berikut:

Tabel 4.8. One-Sample Kolmogorov-Smirnov Test

Unstandardized Residual

N 38

Normal Parameters a,,b Mean

Std. Deviation

658148940.34 Most Extreme Differences

-0.121 Kolmogorov-Smirnov Z

1.309 Asymp. Sig. (2-tailed)

a. Test distribution is Normal. b. Calculated from data.

Sumber: Output SPSS 17

Sesuai dengan hasil rangkuman yang merupakan hasil dari pengujian normalitas dengan SPSS 17 di atas maka diketahui bahwa nilai residual sudah terdistribusi normal. Hal ini dapat dilihat pada uji Kolmogrov-Smirnov yang menunjukkan signifikansi 0.065 > 0,05.

B. Uji Heteroskedastisitas Dalam penelitian ini menggunakan cara analisis grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu y adalah Y yang telah diprediksi dan sumbu x adalah residual (Y prediksi- Y sesungguhnya) yang telah distudentized. Jika ada pola tertentu, seperti titik- titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Namun jika tidak ada pola yang jelas serta titik menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dengan analisis grafik adalah sebagai berikut: B. Uji Heteroskedastisitas Dalam penelitian ini menggunakan cara analisis grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu y adalah Y yang telah diprediksi dan sumbu x adalah residual (Y prediksi- Y sesungguhnya) yang telah distudentized. Jika ada pola tertentu, seperti titik- titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Namun jika tidak ada pola yang jelas serta titik menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dengan analisis grafik adalah sebagai berikut:

Gambar 4.8. Uji Heteroskedastisitas

Sumber: Output SPSS 17

Berdasarkan gambar diatas terlihat titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu y. hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakaiuntuk menganalisis variabel dependen berdasarkan variabel independen.

C. Uji autokorelasi Pengujian autokorelasi dilakukan dengan menggunakan uji statistik non- parametik run test. Run test sebagai bagian dari statistik non-parametik dapat digunakan utuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah random atau sistematis, agar bebas dari auto korelasimaka residual harus terjadi secara random. Nilai dari asymp. sig (2-tailed) > 0.05 agar tidak terjadi autokorelasi. Hasil pengujian run test adalah sebagai berikut: C. Uji autokorelasi Pengujian autokorelasi dilakukan dengan menggunakan uji statistik non- parametik run test. Run test sebagai bagian dari statistik non-parametik dapat digunakan utuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah random atau sistematis, agar bebas dari auto korelasimaka residual harus terjadi secara random. Nilai dari asymp. sig (2-tailed) > 0.05 agar tidak terjadi autokorelasi. Hasil pengujian run test adalah sebagai berikut:

Runs Test

Unstandardized Residual

Test Value a -1202460.07

Cases < Test Value

Cases >= Test Value

Total Cases

Number of Runs

Asymp. Sig. (2-tailed)

a. Median

Sumber: Output SPSS 17

Dari rangkuman hasil run test diatas dapat dilihat bahwa nilai asymp. sig. (2- tailed) sebesar 1 > 0.05, berarti tidak terjadi autokorelasi dalam model regresi tersebut

D. Uji multikolinearitas Uji multikolinearitas dimaksudkan untuk menguji apakah model regresi babas multikolinearitas atau tidak. Suatu variabel menunjukkan gejala multikolinearitas bisa dilihat dari nilai VIF (Variance Inflaction Factor) yang tinggi pada variabel- variabel independen suatu model regresi. Nilai VIF yang lebih besar dari 10 menunjukkan adanya gejala multikolinearitas dalam model regresi. Hasil pengujian VIF adalah sebagai berikut:

Tabel 4.10. Uji Multikolinearitas

Coefficients a

Model

Collinearity Statistics Tolerance

a. Dependent Variable: y

Sumber: Output SPSS 17 Sumber: Output SPSS 17

Berdasarkan tabel tersebut dapat dilihat bahwa kedelapan variabel independen, memiliki nilai VIF lebih kecil dari 10 demikian juga nilai tolerance tidak ada yang kurang dari 0,1. Sehingga dapat disimpulkan model regresi tersebut tidak terdapat multikolinearitas.