4.3 Analisis Data dan Pembahasan
4.3.1 Analisis Uji Penyimpangan
Sebelum dilakukan interpretasi terhadap hasil regresi dari model yang digunakan, maka terlebih dahulu dilakukan pengujian terhadap asumsi klasik,
guna mengetahui apakah model tersebut dianggap relevan atau tidak.
1. Uji Mulikolinearitas
Untuk menguji apakah dalam suatu regresi tersebut terdapat multikolinearitas variabel independen yang saling berkorelasi, dilakukan
pengujian salah satunya dengan meregres salah satu variabel bebas dengan 3 variabel lainnya atau yang disebut auxiliary regression untuk memperoleh
koefisien determinasi R
2
. Nilai R
2
ini kemudian dibandingkan dengan koefisien determinasi R
2
pada model utama. Apabila R
2
hasil auxiliry regression lebih besar R
2
pada model utama, maka terdapat hubungan yang kolinear diantara variabel penjelasnya.
Tabel 4.11 Hasil Uji Mutikolinearitas
Variabel Penjelas Nilai R-Squared R²
Jumlah Obyek Wisata LX1 R² 0,655118 0,857672 R² model
Jumlah Wisatawan LX2 R² 0,255232 0,857672 R² model
Tingkat Hunian Hotel LX3 R² 0,667818 0,857672 R² model
PDRB perkapita LX4 R² 0,813620 0,857672 R² model
Sumber : Pengolahan Data Dengan Program e-views 6
Tanpa Kesimpu
-lan Tanpa
Kesimpu -lan
Autokorelasi Positif
Autokorelasi Negatif
dl 0,69
du 1,97
4-du 2,03
4-dl 3,31
DW test 2,03
Berdasarkan Tabel 4.11 dapat dilihat bahwa pada variabel jumlah obyek wisata LX1, jumlah wisatawan LX2, tingkat hunian hotel LX3, PDRB
perkapita LX4 tidak terdapat multikolinearitas dimana R
2
hasil auxiliary regression lebih kecil dibandingkan dengan R
2
model utama.
2. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 sebelumnya. Untuk mendeteksi ada atau tidaknya autokorelasi, dapat diketahui dengan menggunakan uji Durbin-Watson DW test.
Tabel 4.12 Durbin-Watson
Sumber : Hasil Pengolahan dengan e-views 6 Dalam penelitian ini diperoleh nilai DW sebesar 2,03 maka DW test di
daerah du dw 4-du yang berarti tidak terdapat autokorelasi.
3. Uji Heteroskedastisitas
Pada penelitian
ini, untuk
mendeteksi ada
tidaknya gejala
heteroskedastisitas dilakukan dengan menggunakan uji White. Pengujiannya adalah jika X
2
hitung lebih kecil dari X
2
tabel, maka hipotesis alternatif adanya heteroskedastisitas dalam model ditolak atau dengan cara membandingkan dengan
Bebas
α apabila probnya lebih kecil dari
α alpha maka model tersebut terdapat
heteroskedastisitas.
Tabel 4.13 Hasil Uji Heteroskedastisitas
Sumber : Hasil Pengolahan dengan eviews 6 Apabila dilihat dari Probnya = 0,8285 0,05 Bebas Heteroskedastisitas
Dari Tabel 4.13 dapat dilihat bahwa pada model tersebut memiliki X
2
- hitung lebih kecil daripada X
2
-Tabel sehingga pada model tersebut tidak tedapat heteroskedastisitas.
4. Uji Normalitas
Pada penelitian ini, untuk mengetahui apakah distribusi data normal atau tidak dilakukan dengan uji Jarque Bera J-B test. Nilai J-B hitung lebih besar X
2
tabel, maka hipotesis yang menyatakan bahwa residual terdistribusi normal ditolak atau dengan membandingkan dengan α, apabila J-B hitung lebih kecil dari
α, maka residual terdistribusi normal. Dari Tabel 4.14 dapat dilihat pada model tersebut memiliki J-B hitung
lebih kecil daripada X
2
-Tabel, maka dapat disimpulkan residual pada model tersebut terdistribusi secara normal.
Obs R Square pada uji White X²-Hitung
X²-Tabel 0,05:4
8,344546 24,9958
Tabel 4.14 Hasil Uji Normalitas
Obs R Square pada uji Normalitas J-B hitung
X²-Tabel 0,05:4
1,347156 24,9958
Sumber : Hasil Pengolahan dengan eviews 6
Gambar 4.1 Uji Normalitas
Sumber : Hasil Pengolahan dengan eviews 6 Apabila dilihat dari Probnya = 1,347156 0,05 terdistribusi normal
4.3.2 Analisis Regresi Berganda
Kategori