27
3.8.1 Metode Analisis Deskriptif
Metode analisis statistika deskriptif merupakan suatu metode analisis
dimana data yang dikumpulkan, diklasifikasikan, dianalisis, dan diinterpretasikan secara objektif sehingga memberikan informasi dan gambaran mengenai topik
yang dibahas.
3.8.2 Uji Asumsi Klasik
Penulis menggunakan bantuan program software SPSS Statistical Package for Social Solution dalam penelitian ini. Sebelum melakukan analisis regresi,
dilakukan pengujian asumsi klasik untuk mendapatkan perkiraan yang efisien atau tidak. Adapun syarat asumsi klasik yang harus dipenuhi model regresi berganda
sebelum data tersebut dianalisis adalah sebagai berikut:
1. Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini
diperlukan karena untuk melakukan uji t dan uji F diasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar atau tidak
dipenuhi maka uji statistik menjadi tidak valid untuk jumlah sampel kecil Erlina, 2011:100. Data yang baik adalah data yang mempunyai pola seperti distribusi
normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan Situmorang dan Lufti, 2012:100. Uji dilakukan dengan beberapa
pendekatan, yaitu:
28
a. Pendekatan Histogram
Untuk menguji asumsi klasik data dapat dilihat dengan kurva normal, yaitu kurva yang memiliki ciri khusus, salah satu diantaranya adalah bahwa: mean,
mode, dan median pada tempat yang sama. Jika ketiga tendensi sentral tersebut tidak terletak pada satu tempat, berarti kurva tersebut miring ke kiri atau ke
kanan. Ukuran kemiringan puncak kurva ke kiri atau ke kanan tersebut dikenal dengan nama “kemiringan kurva” atau “kemencengan kurva” skewness.
Kemencengan suatu kurva distribusi data dapat bertanda positif kearah kanan
atau bertanda negatif kearah kiri Situmorang dan Lufti, 2012:101. b.
Pendekatan Grafik
PP plot akan membentuk plot antara nilai-nilai teoritis sumbu x melawan nilai-nilai yang didapat dari sampel sumbu y. Apabila plot dari keduanya
berbentuk linier dapat didekati oleh garis lurus, maka hal ini merupakan indikasi bahwa residual menyebar normal. Bila pola-pola titik yang terletak
selain di ujung-ujung plot masih berbentuk linier, meskipun ujung-ujung plot agak menyimpang dari garis lurus, kita dapat mengatakan bahwa sebaran data
dalam hal ini residual, adalah normal Situmorang Lufti, 2012:103. c.
Pendekatan Kolmogorov-Smirnov
Alat uji ini digunakan untuk memastikan apakah data sepanjang garis diagonal
berdistribusi normal. Hipotesisnya sebagai berikut:
H = data residual berdistribusi normal
H
a
= data residual tidak berdistribusi normal
29
Dengan menggunakan tingkat signifikan α 5. Jika nilai Asymp.Sig 2 tailed taraf nyata α, maka H
diterima artinya data residual berdistribui normal. Sebaliknya, jika nilai A
sym.Sig 2 tailed taraf nyata α, maka H diterima, artinya data residual tidak berdistribusi normal.
2. Uji Multikolinearitas
Uji ini bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi di antara variabel independen. Model regresi yang baik seharusnya tidak
terjadi korelasi diantara variabel independen. Ada dua uji multikolinearitas yang
sering digunakan yaitu sebagai berikut Erlina, 2011:103:
1. VIF Variance Inflating Factor VIF adalah suatu estimasi berapa besar multikolinearitas meningkatkan varian
pada suatu koefisien estimasi sebuah variabel independenpenjelas. VIF yang tinggi menunjukkan bahwa multikolinearitas telah menaikkan sedikit varian
pada koefisien estimasi, akibatnya menurunkan tingkat t. Semakin tinggi nilai VIF suatu variable tertentu, maka akan semakin tinggi varian koefisien
estimasi pada variabel tersebut dengan asumsi varian error term adalah konstan. Dengan demikian, semakin tinggi VIF, semakin berat dampak pada
multikolinearitas. Pada umumnya jika nilai VIF lebih besar dari 10, maka terjadi multikolineritas yang cukup berat diantara variabel independen.
2. Korelasi diantara Variabel Independen Disamping VIF, cara lain yang dapat digunakan untuk mendeteksi adanya
gejala multikolinearitas suatu model adalah dengan melihat koefisien korelasi sederhana antara variabel-variabel independenpenjelas. Apabila r adalah tinggi
30
nilai absolutnya, maka ada dua variabel penjelas tertentu berkorelasi dan masalah multikolinearitas ada dalam persamaan tersebut. Koefisien korelasi
yang tinggi ini menunjukkan terjadi gejala multikolinearitas yang berat. Korelasi antar dua variabel penjelas dikatakan memiliki hubungan yang tinggi,
beberapa peneliti secara arbiter menentukan 0,8. Dengan demikian, suatu model terdapat gejala multikolinearitas, jika korelasi diantara variabel
independen lebih besar dari 0,8.
3. Uji Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linear adalah varian residual bersifat homokedastisitas atau bersifat konstan. Umumnya heterokedastisitas
sering terjadi pada model yang menggunakan data cross section silang waktu
daripada time series runtut waktu. Hal ini bukan berarti model yang
menggunakan data runtut waktu bebas dari heterokedasitas.
Pengujian gejala heterokedastisitas bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke
pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homokedastisitas, dan jika berbeda disebut
heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas Erlina, 2011:105.
4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
31
pengganggu pada periode sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu dengan yang lainnya.
Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari observasi ke observasi lainnya Situmorang dan Lufti, 2012:120. Uji autokorelasi
ini menggunakan Durbin-Watson DW Test.
Tabel 3.3 Kriteria Pengambilan Keputusan
Hipotesis Nol Keputusan
Jika
Tidak ada autokorelasi positif Tolak
0 d dl Tidak ada autokorelasi positif
No decision dl d du
Tidak ada autokorelasi negative Tolak
4-dl d 4 Tidak ada autokorelasi negative
No decision 4-du d 4-dl
Tidak ada autokorelasi positif atau negatif
Terima
du d 4-du
Sumber:
Situmorang dan Lutfi 2012 : 126
3.8.3 Metode Analisis Regresi Linear Berganda
Kategori