Definisi Operasional METODE PENELITIAN
multikolinieritas, jika koefisien korelasi antar variabel bebas
1
X
dan
2
X
,
2
X
dan
3
X
,
3
X
dan
4
X
, dan seterusnya lebih besar dari 0,60 pendapat lain : 0,50 dan 0,90. Dikatakan tidak terjadi
multikolinieritas jika koefisien korelasi antar variabel bebas lebih kecil
atau sama dengan 0,60 r ≤ 0,60. Atau dalam menentukan ada tidaknya multikolinieritas dapat
digunakan cara lain yaitu dengan : a.
Nilai
tolerance
adalah besarnya tingkat kesalahan yang dibenarkan secara stastistik α.
b. Nilai
variance inflation factor
VIF adalah faktor inflasi penyimpangan baku kuadrat.
Nilai
tolerance
dan
variance inflation factor
VIF dapat dicari dengan menggabungkan kedua nilai tersebut sebagai berikut :
1 Besar nilai
tolerance
α : α = 1 VIF
2 Besar nilai
variance inflation factor
VIF : VIF = 1 α
a Variabel bebas mengalami multikolinieritas jika : α hitung
α dan VIF hitung VIF. b
Variabel bebas tidak mengalami multikolinieritas jika : α hitung α dan VIF hitung VIF.
2. Uji Asumsi Klasik Heteroskedastisitas
Dalam persamaan regresi linier berganda perlu juga diuji mengenai sama atau tidak
varians
dari residual observasi yang satu dengan observasi yang lain. Jika residualnya mempunyai
varians
yang sama disebut terjadi homoskedastisitas dan jika
varians
-nya tidak sama atau berbeda disebut heteroskedastisitas. persamaan regresi yang baik
jika tidak terjadi heteroskedastisitas. Misalkan : a.
Nilai statistik dari 5 mahasiswa kelas A yaitu 70, 69, 71, 73, 70 cenderung lebih seragam atau tida bervariasi karena selisihnya
kecil, kejadian ini disebut homokedastisitas. b.
Nilai statistik dari 5 mahasiswa kelas B yaitu 30, 90, 60, 80, 40 cenderung tidak seragam atau sangat bervariasi karena
selisihnya besar, kejadian ini disebut heteroskedastisitas. Analisis uji asumsi heteroskedastisitas hasil output SPSS melalui
grafik
scatterplot
antara Z
prediction
ZPRED yang mempunyai variabel bebas sumbu X = Y hasil prediksi dan nilai residualnya
SRESID merupakan variabel terikat sumbu Y = Y prediksi – Y riil.
Homoskedastisitas terjadi jika pada
scatterplot
titik-titik hasil pengolahan data antara ZPRED dan SRESID menyebar di bawah
maupun di atas titik origin angka 0 pada sumbu Y dan tidak mempunyai pola teratur. Heteroskedastisitas terjadi jika pada
scatterplot
titik-titiknya mempunyai pola yang teratur baik menyempit, melebar maupun bergelombang-gelombang.
3. Uji Asumsi Klasik Normalitas Selain uji asumsi klasik multikolinieritas dan Hetero-skedastisitas,
uji asumsi klasik yang lain adalah uji normalitas, dimana akan menguji data variabel bebas X dan data variabel terikat Y pada persamaan
regresi yang dihasilkan. Berdistribusi normal atau berdistribusi tidak normal.
Persamaan regresi dikatakan baik jika mempunyai data variabel bebas dan data variabel terikat berdistribusi mendekati normal atau
normal sama sekali. Uji asumsi klasik normalitas dapat dilakukan dengan dua cara yaitu :
a. Cara Statistik
Dalam menguji data variabel bebas dan data variabel terikat berdistribusi normal atau tidak pada cara statistik ini melalui nilai
kemiringan kurva
skewness
= α3 atau nilai keruncingan kurva
kurtosis
= α4 diperbandingkan dengan nilai Z tabel. 1
Rumus nilai Z untuk kemiringan kurva
skewness
:
Z
skewness
=
skewness
√6 N atau Zα3 = α3 √6 N
2 Rumus nilai Z untuk kerucingan kurva
kurtosis
:
Z
kurtosis
=
kurtosis
√24 N atau Zα4 = α4 √24 N
Dimana N = banyak data
Ketentuan analisis : a
Variabel bebas atau terikat berdistribusi normal jika Z hitung Zα3 atau Zα4 Z tabel. Misal diketahui Z 5 =
1,96 Z tabel lebih besar dari Z hitung atau dengan kata lain Z hitung lebih kecil dari Z tabel 1,96, dapat
dituliskan Z hitung 1,96. b
Variabel berdistribusi tidak normal jika Z hitung Zα3 atau Zα4 Z tabel. Misal nomor a, dapat ditulis Z hitung
1,96.
b.
Cara Grafik Histogram dan
Normal Probality Plots
Cara grafik histogram dalam menentukan suatu data berdistribusi normal atau tidak, cukup membandingkan antara
data riil atau nyata dengan garis kurva yang terbentuk, apakah mendekati normal atau memang normal sama sekali. Jika data riil
membentuk garis kurva cenderung tidak simetri terhadap mean U, maka dapat dikatakan data berdistribusi tidak normal dan
sebaliknya. Cara grafik histogram lebih sesuai untuk data yang relatif banyak, dan tidak cocok untuk banyak data yang sedikit,
karena interpretasinya dapat menyesatkan. Cara
normal probality plots
lebih handal daripada cara grafik histogram, karena cara ini membandingkan data riil
dengan data distribusi normal otomatis oleh komputer secara