Tabel 4.4: Hasil Uji Validitas dari Variabel Persepsi Masyarakat Terhadap Perbankan Syariah Y Putaran ke-2
Variabel Butir
r
hitung
r
kritis
Keterangan Persepsi
masyarakat terhadap
perbankan syariah Y
Y1 0.550
0.30 Valid
Y2 0.599
0.30 Valid
Y3 0.490
0.30 Valid
Y4 0.667
0.30 Valid
Y5 0.694
0.30 Valid
Y6 0.517
0.30 Valid
Y7 0.689
0.30 Valid
Y8 0.536
0.30 Valid
Sumber : Pengolahan data primer Lampiran 7 Jika dilihat dari tabel di atas, hasil uji validitas terhadap semua item
pertanyaan yang tersisa dari variabel persepsi masyarakat terhadap perbankan syariah menunjukkan nilai r
hitung
r
kritis
, maka semua item pertanyaan tersebut dinyatakan valid atau sahih.
4.2.1.2 Uji Reliabilitas Data
Menurut Nunnaly 1967 dalam Ghozali 2006: 46, pengukuran reliabilitas menggunakan nilai Cronbach Alpha yaitu suatu konstruk atau
variabel dikatakan reliabel jika memberikan nilai Cronbach Alpha 0,6. Ringkasan hasil uji reliabilitas disajikan pada Tabel 4.5 di bawah ini, dimana
hasil uji reliabilitas secara lengkap dapat pula dilihat pada lampiran 5 sampai dengan 7.
Tabel 4.5: Hasil Uji Reliabilitas
Variabel Koefisien
Alpha Cronbach’s Nilai batas
Keterangan Pelayanan X
1
0,812 0,60
Reliabel Fasilitas X
2
0,705 0,60
Reliabel Persepsi masyarakat Y
0,848 0,60
Reliabel
Sumber : Pengolahan data primer Lampiran 5-7
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hasil uji reliabilitas di atas dapat diketahui bahwa semua variabel dalam penelitian ini memiliki nilai koefisien Alpha Cronbach’s 0,60, maka dapat
disimpulkan bawa ketiga variabel di atas adalah andal reliabel.
4.2.1.3 Uji Normalitas Data
Uji normalitas digunakan untuk menguji apakah data yang diperoleh sudah mengikuti sebaran normal atau tidak. Uji ini dilakukan dengan melihat
range data. Data dapat dikatakan baik apabila penyebarannya normal serta tidak terlalu luas. Untuk dapat menentukan bahwa persebaran data normal ada
beberapa cara, yakni :
1. P-P Plot
P-P plot merupakan sebuah kurva yang digunakan untuk dapat menguji apakah suatu variabel dianggap normal atau tidak. Variabel dapat
dikatakan memenuhi asumsi normalitas apabila P-P plot menunjukan persebaran data relatif mengikuti garis diagonal atau lebih sering disebut
normal plot. Sebaliknya Suatu variabel dikatakan tidak memenuhi asumsi normalitas apabila P-P plot menunjukan persebaran data yang melebar atau
menjauhi garis normal plot.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 4.22 : Grafik P-PLOT
Sumber : Lampiran 9 Terlihat pada grafik diatas bahwa grafik normal plot variabel
pelayanan, fasilitas dan persepsi masyarakat memberikan gambaran tentang pola distribusi normal. Hal ini ditunjukan dari pola persebaran data dari
bawah hingga atas yang mengikuti pergerakan dari garis diagonal sendiri hal ini membuktikan bahwa variabel pelayanan, fasilitas dan persepsi
masyarakat memiliki distribusi yang normal.
2. Uji Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov merupakan salah satu uji normalitas yang sering digunakan karena kemudahan dan reliabilitasnya dibandingkan
dengan P-P plot. Cara untuk melakukan uji Kolmogorov-Smirnov adalah dengan menggunakan SPSS versi 17.0 dimana nilai signifikansi dari tabel
Kolmogorov-Smirnov harus diatas standard error 0,05 atau 5. Apabila nilai signifikansi diatas dari standar error sebesar 0,05 maka dapat dikatakan
bahwa data dari suatu variabel memiliki distribusi yang normal.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 4.6 : Hasil Uji Kolmogorov-Smirnov
Unstandardized Residual
Kolmogorov-Smirnov Z 0.478
Asymp. Sig. 2-tailed 0.976
Sumber : Lampiran 9 Pada uji Kolmogorov-Smirnov diatas terlihat bahwa signifikansi yang
dihasilkan 0,976 diatas 5. Hal ini membuktikan bahwa data dari variabel yang diteliti memiliki distribusi yang normal dan dapat dilanjutkan untuk
pengujian asumsi klasik lainnya.
4.2.1.4 Uji Asumsi Klasik
Uji Asumsi klasik digunakan agar model regresi dapat disebut model regresi yang baik. Persamaan regresi yang dihasilkan haruslah bersifat BLUE
Best, Linier, Unbiased, Estimator artinya pengambilan keputusan melalui uji F tidak boleh bias. Untuk menghasilkan keputusan yang BLUE, maka harus
dipenuhi tiga asumsi dasar yang tidak boleh dilanggar oleh regresi, yaitu: 1. Tidak boleh ada multikoloniaritas.
2. Tidak boleh ada heteroskedastisitas. 3. Tidak boleh ada autokorelasi.
Apabila salah satu dari tiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak lagi bersifat BLUE sehingga
pengambilan keputusan melalui uji t menjadi bias Gujarati, 1995: 153.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4.2.1.4.1 Uji Multikolinearitas
Uji multikolinearitas dapat diketahui dengan melakukan uji Variance Inflating Factor VIF. Uji VIF merupakan salah satu metode pengujian yang
mudah digunakan dalam menganalisis data apakah terjadi multikolinearitas atau tidak. Deteksi adanya Multikolinearitas yaitu dengan melihat besarnya
VIF Variance Inflation Factor, jika VIF melebihi angka 10, maka variabel tersebut mengindikasikan adanya multikolinearitas.
Tabel 4.7 : Hasil uji multikolinearitas
No. Variabel bebas
VIF 1.
Pelayanan X
1
2,100 2.
Fasilitas X
2
2,100
Sumber: Lampiran 9 Pada uji multikolinearitas diatas terlihat bahwa nilai VIF dari variabel
bebas berada diatas batas minimum untuk dapat dikategorikan terjadi multikolinearitas hal ini terlihat pada masing masing variabel yakni variabel
pelayanan dan fasilitas memiliki nilai VIF sebesar 2,100 dibawah 10 sehingga secara keseluruhan masing-masing variabel tersebut bebas dari
multikolinearitas.
4.2.1.4.2 Uji Heteroskedastisitas
Tujuan dari uji heteroskedastisitas adalah untuk menguji apakah dalam suatu model linear terdapat perbedaan variance dari residual suatu pengamatan
ke pengamatan yang lain. Terjadinya gejala hetdroskedastisitas dapat dilihat dari ketidaksamaan diantara varians residual dari masing masing variabel
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
bebas. Untuk mendeteksi adanya gejala heterokedastik dilakukan dengan 2 cara yakni menggunakan uji rank spearman dan menggunakan grafik scatter
plot. Menurut Gujarati 1995: 177, mendeteksi adanya heteroskedastisitas
adalah jika nilai probabilitas 0.05 berarti bebas dari heteroskedastisitas dan sebaliknya jika nilai probabilitas 0.05 berarti terkena heteroskedastisitas.
Tabel 4.8 : Hasil Uji Heteroskedastisitas
Variabel Koefisien Korelasi
Rank spearman Sig.
Pelayanan X
1
0.039 0.806
Fasilitas X
2
0.009 0.953
Sumber : Lampiran 9 Tabel di atas menunjukkan bahwa signifikansi dari masing-masing
variabel bebas yaitu diatas 5, yang artinya tidak terjadi heteroskedastisitas pada variabel pelayanan dan fasilitas.
Cara kedua untuk menguji heteroskedastisitas adalah dengan uji scatter plot dimana grafik scatter plot dibuat dengan memasukan variabel terikat
zpred dibagian sumbu x dan residual dari masing masing variabel terikat sresid dibagian sumbu y. Apabila penyebaran data terlihat acak dan tidak
membentuk pola khusus maka dapat dikatakan bahwa tidak terjadi gejala heterokedastik dalam variabel bebas yang akan diteliti. Sebaliknya apabila
ketika melakukan uji scatter plot terjadi pola data yang mengumpul dan membentuk suatu pola khusus maka dapat dikatakan data tersebut mengalami
gejala heterokedastik.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Gambar 4.23 : Grafik Scatter Plot
Sumber : Lampiran 9 Terlihat pada grafik di atas bahwa data dari variabel bebas yang diteliti
menyebar terpencar secara acak tersebar diantara 0 pada sumbu Y dan tidak membentuk pola khusus. Maka dapat dikatakan tidak ada gejala heterokedastik
dalam variabel bebas.
4.2.1.5 Analisis Regresi Linear Berganda
