A. Uji Prasyarat Analisis
1. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik memiliki nilai
residual yang terdistribusi normal. Uji normalitas yang digunakan adalah uji Kolmogorov-Smirnov dengan bantuan program SPSS versi 17. Jika nilai
Asymp. Sig. kurang dari 0,05 maka distribusinya tidak normal. Sedangkan jika nilai Asymp. Sig. lebih dari atau sama dengan 0,05 maka distribusinya
normal Ali Muhson, 2012: 19-21. Hasil uji normalitas ditunjukkan pada tabel berikut:
Tabel 17. Ringkasan Hasil Uji Normalitas Asymp. Sig.
Kesimpulan
Unstandardized Residual
0,118 Normal
Sumber: Data primer dari responden yang diolah
Tabel di atas menunjukkan bahwa nilai Asymp. Sig lebih dari 0,05 maka dapat disimpulkan bahwa residual terdistribusi normal.
2. Uji Linearitas
Uji linearitas dilakukan untuk mengetahui linearitas hubungan masing-masing variabel bebas dengan variabel terikat. Uji linearitas
menggunakan uji F, dengan bantuan program SPSS versi 17. Dapat dilihat hasil uji F untuk baris Deviation From Linearity, jika nilai sig kurang dari
0,05 maka hubungannya tidak linier. Sedangkan jika nilai sig lebih dari atau sama dengan 0,05 maka hubungannya bersifat linier Ali Muhson, 2012: 22-
24. Hasil uji linearitas ditunjukkan pada Tabel 18:
Tabel 18. Ringkasan Hasil Uji Linearitas Nama Variabel
F Sig
Kesimpulan Bebas
Terikat
Pendapatan Tingkat Konsumsi
1,385 0,078
Linier Gaya Hidup
Tingkat Konsumsi 1,202
0,198 Linier
Sumber: Data primer dari responden yang diolah
Tabel di atas menunjukkan bahwa nilai sig lebih dari 0,05 maka dapat disimpulkan bahwa variabel bebas dengan variabel terikat mempunyai
hubungan yang linier.
3. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk melihat ada tidaknya hubungan yang sangat kuat antar variabel bebas. Variabel bebas harus
terbebas dari korelasi yang kuat antar variabel bebas. Hubungan antara variabel bebas terhadap variabel terikat akan terganggu jika ada korelasi
yang kuat di antara variabel bebasnya. Untuk menguji multikolinearitas antar variabel bebas, peneliti menggunakan uji VIF Variance Inflation
Factor dengan bantuan program SPSS versi 17. Kriterianya adalah jika nilai VIF kurang dari 4 maka tidak terjadi multikolinearitas. Sedangkan jika
nilai VIF lebih dari 4 maka terjadi multikolinearitas Ali Muhson, 2012: 24- 26. Hasil uji multikolinearitas ditunjukkan pada tabel berikut:
Tabel 19. Ringkasan Hasil Uji Multikolinearitas Nama Variabel
Tolerance VIF
Kesimpulan
Pendapatan 0,966
1,035 Tidak Terjadi
Multikolinearitas Gaya Hidup
0,966 1,035
Sumber: Data primer dari responden yang diolah
Tabel 19. menunjukkan bahwa nilai VIF kurang dari 4 maka dapat disimpulkan bahwa tidak terjadi multikolinearitas antar variabel bebas.
4. Uji Homoskedastisitas
Uji homoskedastisitas dilakukan untuk mengetahui kesamaan varians error untuk setiap nilai variabel bebas. Uji homoskedastisitas yang
digunakan adalah uji Rho Spearman dengan bantuan program SPSS versi 17. Dalam uji ini yang perlu ditafsirkan adalah bagian koefisien korelasi
antara variabel bebas dengan absolut residu. Jika nilai sig kurang dari 0,05 maka tidak terjadi homoskedastisitas, jika sebaliknya maka terjadi
homoskedastisitas Ali Muhson, 2012: 27-32. Hasil uji homoskedastisitas ditunjukkan pada tabel berikut:
Tabel 20. Ringkasan Hasil Uji Homoskedastisitas Nama Variabel
Sig Kesimpulan
Pendapatan 0,000
Tidak Terjadi Homoskedastisitas Gaya Hidup
0,105 Terjadi Homoskedastisitas
Sumber: Data primer dari responden yang diolah Tabel di atas menunjukkan bahwa nilai sig untuk variabel
pendapatan kurang dari 0,05 maka tidak terjadi homoskedastisitas. Hal tersebut menunjukkan terjadinya heteroskedastisitas. Heteroskedastisitas
terjadi apabila varians error di dalam sampel tidak konstan atau dengan kata lain adanya ketidaksamaan varians error. Terdapat beberapa alasan
mengapa varians error dapat bervariasi di antaranya adalah seiring dengan meningkatnya pendapatan, manusia memiliki lebih banyak discretionary
income pendapatan berlebih dan dengan demikian terdapat jangkauan yang
lebih luas bagi pilihan mereka mengenai disposisi pendapatannya Gujarati dan Porter, 2006: 465.
“Heteroskedastisitas tidak menghilangkan sifat-sifat ketidakbiasan dan konsistensi dari estimator-estimator OLS, tetapi mereka tidak lagi
efisien” Gujarati
dan Porter,
2006: 494.
Untuk mengatasi
heteroskedastisitas dapat menggunakan robust standard error yang resisten terhadap masalah heteroskedastisitas. Model yang telah memiliki robust
standard error dapat dinyatakan telah terbebas dari pelanggaran heteroskedastisitas Long J. Scott dan Jeremy Freese dalam Najwa, 2009:
42. Sehingga dengan diterapkannya robust standard error dengan menggunakan program STATA versi 11, dapat disimpulkan bahwa model
regresi telah terbebas dari pelanggaran heteroskedastisitas.
B. Uji Hipotesis
Pengujian hipotesis dalam penelitian ini dilakukan dengan analisis regresi dengan menggunakan program STATA versi 11. Karena variabel bebas
lebih dari satu variabel maka dilakukan analisis regresi linier berganda. Rangkuman hasil analisis regresi dapat dilihat pada tabel berikut:
Tabel 21. Rangkuman Hasil Analisis Regresi Nama Variabel
Koefisien t
p-value
Pendapatan 0,677
18,170 0,000
Gaya Hidup 2823,342
3,030 0,003
Jenis Kelamin –55447,670
–2,260 0,024
Konstanta 70022,510
1,710 0,088
F prob F
R
2
120,840 0,000
0,7899 Sumber: Data primer dari responden yang diolah
Dari hasil analisis regresi yang diperoleh maka persamaan regresi linier berganda dalam penelitian ini dapat diformulasikan sebagai berikut:
Y=70022,510+0,677X
1
+2823,342X
2
–55447,670D
1
Persamaan regresi linier berganda tersebut dapat dijelaskan sebagai berikut:
1. Bilangan konstanta a bertanda positif yaitu sebesar 70022,51, artinya
apabila variabel pendapatan X
1
, gaya hidup X
2
dianggap konstan, dan tidak mempermasalahkan jenis kelamin D
1
responden, maka tingkat konsumsi Y akan sebesar Rp70.022,51.
2. Koefisien pendapatan b
1
bertanda positif yaitu sebesar 0,677, artinya setiap perubahan variabel pendapatan X
1
sebesar Rp10.000,00 maka akan meningkatkan tingkat konsumsi Y sebesar Rp6.770,00. Dengan asumsi
variabel gaya hidup X
2
dianggap konstan, dan tidak mempermasalahkan jenis kelamin D
1
responden. 3.
Koefisien gaya hidup b
2
bertanda positif, artinya ketika mahasiswa mempunyai gaya hidup X
2
cenderung semakin konsumtif maka akan meningkatkan tingkat konsumsinya Y. Dengan asumsi variabel
pendapatan X
1
dianggap konstan, dan tidak mempermasalahkan jenis kelamin D
1
responden. 4.
Koefisien jenis kelamin b
3
bertanda negatif yaitu sebesar –55447,670, menunjukkan bahwa mahasiswa perempuan D=1 mempunyai tingkat
konsumsi Y lebih rendah dibandingkan mahasiswa laki-laki D=0.