Gambar 4.2. Grafik Sctatterplot Data Asli Sumber: Data Diolah, 2013
Berdasarkan Gambar 4.2 terlihat bahwa titik-titik tersebar baik di atas maupun di bawah angka nol pada sumbu Y, maka dapat disimpulkan bahwa tidak
terjadi gejala heteroskedastisitas.
4.6.3.2 Hasil Uji Glejser
Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut residualnya. Jika nilai signifikansi antara variabel
independen dengan absolut residual lebih dari 0,1 maka tidak terjadi masalah heteroskedastisitas.
Tabel 4.17. Hasil Uji Glejser Data Asli
Universitas Sumatera Utara
Model Unstandardized
Coefficients Standardized
Coefficients
T Sig.
B Std.
Error Beta
1 Constant
1.901 1.872
1.016 .313
Overconfidence .222
.066 .234
1.346 .001
Data Mining .120
.056 .170
1.125 .037
Emotion .073
.058 .091
1.768 .209
Mental Accounting
.168 .078
.170 .148
.035
Familiarity .113
.058 .139
1.945 .056
Jenis Kelamin .719
.232 .255
.096 .003
Usia .087
.080 .085
1.808 .281
Pendapatan .336
.129 .225
1.609 .011
Pendidikan .053
.077 .054
1.691 .297
Gaya Hidup .201
.093 .187
.162 .034
Sumber: Data Diolah, 2013
Berdasarkan Tabel 4.17 maka dapat diketahui bahwa nilai signifikansi untuk variabel Emotion, Usia, Pendidikan 0,1. Sedangkan nilai signifikansi
untuk variabel Overconfidence, Data Mining, Mental Accounting, Familiarity, Jenis Kelamin, Pendapatan dan Gaya Hidup 0,1. Karena terjadi
heterokedastisitas, maka data diolah kembali dengan menggunakan transformasi akar. Transformasi data bertujuan untuk mengubah data dari data yang tidak
mengikuti sebaran normal dengan keragamanan antar perlakuan tidak homogen
Universitas Sumatera Utara
menjadi mengikuti sebaran normal dengan keragaman antar perlakuan menjadi homogen.
Transformasi data yang biasa dipergunakan adalah : 1. Transformasi akar Yi
√Yi, transformasi ini digunakan jika data mengikuti sebaran Poisson. Ciri-cirinya adalah rata-rata
ў data hasil pengamatan masing-masing perlakuan hampir sama dengan variannya
т
2
2. Transformasi ArcSin √Yi , transformasi ini digunakan jika data mengiku ti
sebaran Binomial. Ciri-ciri data yang mengikuti sebaran ini adalah rata-rata ў data tersebut sebanding dengan variannya т
, data yang mengikuti sebaran Poisson ini biasanya data dalam persen dengan persentase
yang sangat kecil atau peluang kejadiannya sangat kecil atau sebaliknya yaitu sangat besar mendekati O atau 100. Jika hasil pengamatan ada data
yang nilainya 0, karena akar 0 tak terdefinisikan, maka transformasinya ini diubah menjadi akar Yi + 1 atau Yi + ½.
2
, perlu diingat bahwa ў = np dan
т
2
3. Transformasi Log Yi atau Ln Yi, transformasi ini biasanya digunakan bila data berkaitan dengan waktu dan rata-
ratanya ў mengikuti rata-rata Geometrik. Ciri-ciri data ini adalah bila rata-
rata ў suatu perlakuan semakin besar, maka variannya
т = np1-p. Data dalam satuan pengukuran persentase Yi biasanya
mengikuti sebaran ini.
2
4. Transformasi kebalikan 1Yi, transformasi ini digunakan jika rata-rata data mengikuti rata-rata Harmonik. Data ini diperoleh jika satuan pengukuran
juga semakin besar, sehingga homogenitas ragamvarian antar perlakuan tidak terpenuhi. Data yang mempunyai ciri-ciri
tersebut adalah data yang berkaitan dengan waktu.
Universitas Sumatera Utara
yang digunakan dalam penelitian dari dua satuan, sehingga jika satuan tersebut tidak rasional maka perlu dibalik atau diharmoniskan dalam analisis data.
5. Transformasi LnA – Yi atau Ln[A – YiYi], disini A adalah nilai maksimum dari respons yang mungkin dicapai atau nilai maksimum teoritis.
Transformasi ini digunakan jika nilai A diketahui atau dapat diduga dan data tidak linear dalam urutan waktu. Dalam hal ini data mengikuti kurva Logistik
atau Sigmoid Dalam penelitian ini, hasil akan diolah kembali dengan menggunakan
transformasi akar agar memenuhi sebaran normal sebagai berikut. s
taff.unud.ac.id~sampurnametodologi-ilmiah.doc
4.6.4. Hasil Uji Normalitas Setelah Transformasi Akar
