I. Teknik Pengolahan Data
Menurut Nazir 2005: 346 teknik pengolahan data terdiri dari :
1. Editing Sebelum data diolah, data tersebut perlu diedit terlebih dahulu. Beberapa hal yang
perlu diperhatikan dalam mengedit data: 1. Apakah data sudah lengkap dan sempurna?
2. Apakah data sudah cukup jelas tulisannya untuk dapat dibaca? 3. Apakah semua catatan dapat dipahami?
4. Apakah semua data sudah cukup konsisten? 5. Apakah data cukup uniform?
6. Apakah ada responsi yang tidak sesuai? 2. Coding mengkodekan data
Data yang dikumpulkan dapat berupa angka kalimat pendek atau panjang, ataupun hanya ”ya” atau ”tidak”. Pemberian kode pada kepada jawaban sangat penting
artinya, jika pengolahan data dilakukan dengan komputer. Mengkode jawaban adalah menaruh angka pada tiap jawaban.
3. Tabulasi Membuat tabulasi termasuk dalam kerja memproses data. Membuat tabulasi tidak
lain adalah memasukkan data ke dalam tabel-tabel, dan mengatur angka-angka sehingga dapat dihitung jumlah kasus dalam beberapa kategori.
J. Teknik Analisis Data
1. Uji Asumsi Klasik
Pengujian ini dilakukan untuk mengetahui apakah model estimasi telah memenuhi
kriteria ekometrik dalam arti tidak terjadi penyimpangan yang cukup serius dari asumsi-asumsi yang diperlukan.
a. Uji normalitas
Uji normalitas digunakan untuk mengetahui apakah populasi data berdistribusi
normal atau tidak. Jika analisis menggunakan metode parametrik, maka persyaratan normalitas harus terpenuhi, yaitu data berasal dari distribusi yang
normal. Pengujian asumsi ini dilakukan dengan melihat Normal P-P Plot of Regression Standardized Residual yang berguna untuk menguji apakah residual
modal regresi memiliki distribusi normal ataukah tidak. Model yang baik adalah memiliki distribusi normal atau mendekati normal. Dasar pengambilan
keputusannya adalah:
a Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi normalitas. b
Jika data menyebar jauh dan garis diagonal danatau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
Berdasarkan Normal P-P Plot of Regression Standardized Residual yang
terlampir pada Lampiran 6, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya mengikuti arah garis diagonal. Dengan demikian dapat
dikatakan bahwa model regresi penelitian ini telah memenuhi asumsi normalitas
b. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan
asumsi klasik autokorelasi, yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Prasyarat yang harus
terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan Uji Durbin Watson uji DW.
Metode pengujian melalui uji statistik Durbin Watson DW dengan ketentuan sebagai berikut:
Nilai DW terletak di antara dU dan 4-dU, maka autokorelasi sama dengan nol, dan dapat diartikan tidak ada autokorelasi. dU d 4-dU.
Nilai DW terletak di bawah lower bound dL, maka akan mempunyai koefisien korelasi lebih besar dari nol dan memiliki autokorelasi positif.
Nilai DW 4-dL, maka koefisien korelasi kurang dari nol, sehingga memiliki autokorelasi negatif.
Nilai DW terletak di antara batas atas dU dan batas bawah dL atau terletak antara 4-dU dan 4-dL sehingga hasilnya tak dapat
disimpulkan.
Dari hasil perhitungan pada lampiran 6 pada model summary, diperoleh bahwa nilai d = 1,874 sedangkan nilai batas pada tabel Durbin Watson, dengan
α=5, n=75 dan k= 3 jumlah variabel independen diperoleh dL= 1,54 dan dU= 1,71
Karena nilai dW 1.874 terletak antara dU dan 4-dU, Nilai 4-du sebesar 2,29 diperoleh dari 4-1,71 maka hipotesis nol diterima, yang berarti tidak ada
autokorelasi.
Tabel 5. Hasil Uji Autokorelasi Model
R R Square
Adjusted R Square
Std.Error of the estimate
Durbin- Watson
1 . 495
C
.245 . 213
1.76312 1.874
Sumber: Data Diolah, 2010
c Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan lain yang tetap. Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Deteksi adanya heteroskedastisitas dalam penelitian ini menggunakan grafik scatterplot untuk melihat pola tertentu pada grafik. Dasar pengambilan
keputusannya adalah: 1.
Jika ada pola tertentu seperti titik-titik point-point yang ada membentuk suatu pola tertentu yang teratur bergelombang maka telah terjadi
heterokedastisitas. 2.
Jika tidak ada pola yang jelas serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y maka tidak terjadi heterokedastisitas.
Berdasarkan grafik scatterplot yang terlampir pada lampiran 6, pada grafik plot
terlihat bahwa titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, dan tidak membentuk suatu pola tertentu seperti gelombang, melebar, kemudian
menyempit. Hal ini berarti bahwa tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
d. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik multikolinearitas, yaitu adanya hubungan linear antar variabel dalam model regresi Priyatno, 2008: 39. Prasyarat yang harus
dipenuhi adalah tidak adanya multikolinearitas. Pada penelitian ini akan dilakukan uji multikolinearitas dengan melihat nilai inflation factor VIF pada model
regresi. Menurut Santoso 2001 dalam Priyatno 2008: 39, pada umumnya jika VIF lebih besar dari 5, maka variabel tersebut mempunyai persoalan
multikolinearitas dengan variabel bebas lainnya.
Tabel 6. Hasil Uji Multikolinearitas Model
Collinearity Statistic Tolerance
VIF
Norma 0,919
1,088 Ekspresi nilai
0,846 1,182
Informasi 0,885
1,130
Sumber: Data Diolah, 2010
Dari hasil di atas dapat diketahui nilai variance inflation factor VIF ketiga variabel, yaitu norma sebesar 1,088, ekspresi nilai sebesar 1,182 dan informasi
sebesar 1,130 lebih kecil dari 5, sehingga bisa diduga bahwa antarvariabel independen tidak terjadi persoalan multikolinearitas.
2. Uji R
Kategori