4.6. Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah analisis regresi linear berganda dengan menggunakan bantuan software SPSS Statistik
Product and Service Solution . Metode dan teknik analisis dilakukan dengan
tahapan sebagai berikut :
4.6.1. Uji Kualitas Data
Uji faktor dimaksud untuk menguji apakah suatu konstruk mempunyai unidimensionalitas atau apakah indikator-indikator yang digunakan dapat
mengkonfirmasikan sebuah konstruk atau variabel. Jika masing-masing indikator merupakan indikator pengukur konstruk maka akan memiliki nilai loading faktor
yang tinggi. Ghozali, 2005. Uji faktor dilakukan dengan melihat berapa jumlah dari component matrix yang terbentuk. Jika component matrix yang terbentuk
lebih dari satu komponen, maka ada indikator yang memiliki component matrix terkecil harus dikeluarkan dari model dan dilakukan pengujian ulang sampai
component matrix yang terbentuk adalah satu komponen.
Selanjutnya, untuk melihat korelasi antarvariabel independen dapat diperhatikan tabel Anti-Image Matrices. Nilai yang diperhatikan adalah MSA Measure of
Sampling Adequacy. Nilai MSA berkisar antara 0 hingga 1, dengan ketentuan sebagai berikut:
1. MSA = 1, variabel dapat diprediksi tanpa kesalahan oleh variabel yang lain.
2. MSA 0,5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
Universitas Sumatera Utara
MSA 0,5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih
lanjut, atau dikeluarkan dari variabel lainnya. 4.6.2.
Pengujian Asumsi Klasik
Penggunaan analisis regresi dalam statistik harus bebas dari asumsi-asumsi klasik. Adapun asumsi klasik yang digunakan dalam penelitian ini adalah :
a. Uji Normalitas Uji ini bertujuan untuk mengetahui distribusi data dalam variabel yang
digunakan dalam penelitian. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Untuk mendeteksi
normalitas dapat dilakukan dengan uji statistik. Untuk menguji apakah data berdistribusi normal akan digunakan analisis grafik probability plot
dan Kolmogrov-Smirnov test. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki
distribusi normal. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal.
b. Uji Multikolonieritas
Menurut Ghozali 2006, uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas
independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling korelasi, maka
variabel-variabel ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen adalah nol.
Untuk mendeteksi ada tidaknya multikolonieritas di dalam model regresi dapat menggunakan perhitungan Tolerance Value TOL dan Variance
Universitas Sumatera Utara
Inflation Factor VIF.
Nilai TOL berkebalikan dengan VIF. TOL adalah besarnya variasi dari satu variabel independen yang tidak dijelaskan oleh
variabel independen lainnya. Sedangkan VIF menjelaskan derajat suatu variabel independen yang dijelaskan oleh variabel independen lainnya
Uji ini diperlukan karena untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan variabel independen lain
dalam satu model. Model regresi yang baik seharusnya tidak terjadi korelasi antara variable independen. Kemiripan antar variabel independen
dalam satu model akan menyebabkan terjadinya korelasi yang sangat kuat antara suatu variabel independen dengan variabel independen yang
lainnya. Deteksi dilakukan dengan melihat nilai VIF Variable Inflation Factor.
Ketentuan untuk mendeteksi ada tidaknya multikolinieritas yaitu: 1. Jika nilai Variance Inflation Factor VIF tidak lebih dari 10 atau
dibawah 10 dan nilai Tolerance tidak kurang dari 0,1 diatas 0,1 , maka model dapat dikatakan terbebas dari multiolinieritas VIF =
1Tolerance, jika VIF = 10 maka Tolerance = 110 = 0,1. Semakin tinggi VIF maka semakin rendah Tolerance.
2. Jika nilai koefisien korelasi antar masing-masing variabel independen kurang dari 0,90 dibawah 0,9, maka model dapat dinyatakan bebas
dari asumsi klasik multikolinieritas. Jika lebih dari 0,9 maka diasumsikan terjadi korelasi yang sangat kuat antar variabel
independen sehingga terjadi multikolinieritas.
Universitas Sumatera Utara
c. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi
korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi terjadi karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Masalah ini muncul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada
data runtut waktu time series karena gangguan pada seseorang individu atau kelompok cenderung mempengaruhi gangguan pada individu atau
kelompok yang sama pada periode berikutnya Ghozali, 2006. Konsekuensi adanya autokorelasi dalam model regresi adalah variance
sample tidak dapat menggambarkan variance populasinya sehingga model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai
variabel dependen pada nilai independen tertentu. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mendeteksi masalah
autokorelasi pada model regresi pada program SPSS dapat diamati melalui uji Durbin-Watson DW. Uji DW dilakukan dengan membuat hipotesis:
Ho = Tidak ada autokorelasi r = 0 Ha = Ada autokorelasi r
≠ 0 d. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lain. Jika variance dari residual satu pengamatan ke
Universitas Sumatera Utara
pengamatan lain tetap disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang terjadi
homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data crossection mengandung situasi heteroskedastisitas karena data ini
menghimpun data yang mewakili berbagai ukuran kecil, sedang dan besar Ghozali, 2006.
Beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, antara lain dengan melihat grafik plot antara nilai prediksi variabel terikat
dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya gejala heteroskedastisitas dapat dilakukan dengan melihat ada
tidaknya pola tertentu pada grafik scatterplot.antar SRESID dan ZPRED, dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah
residual Y prediksi-Y sesungguhnya yang telah di-studentized Ghozali, 2006. Cara memprediksinya adalah jika pola gambar Scatterplot model
tersebut adalah: 1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0.
2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. 3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali. 4.
Penyebaran titik-titik data sebaiknya tidak berpola.
Universitas Sumatera Utara
4.6.3 Analisi Regresi