F. Metode Analisis Data
Pada penelitian ini metode analisis data yang digunakan adalah metode analisis regresi berganda dengan menggunakan software SPSS 16.0. Metode
analisis regresi berganda dipilih untuk digunakan pada penelitian ini karena metode analisis regresi berganda dapat menyimpulkan secara langsung mengenai
pengaruh masing – masing variabel bebas yang digunakan secara parsial ataupun simultan.
G. Uji Asumsi Klasik
Pengujian asumsi klasik dilakukan agar hasil regresi memenuhi kriteria BLUE best linear unbiased estimator . Uji asumsi klasik terdiri dari uji
normalitas data, uji autokorelasi, uji heterokedasitas, dan uji multikolinearitas. 1. Uji Normalitas Data
Uji normalitas data bertujuan untuk mengetahui apakah dalam model regresi variable pengganggu atau residual memiliki distribusi normal. Pengujian
ini diperlukan karena untuk melakukan uji t dan uji F diasumsikan bahwa nilai residual mengikuti distribusi normal. Uji normalitas data dapat menggunakan
Kolmogorov – smirnov test. Apabila nilai Z statistiknya tidak signifikan maka suatu data disimpulkan terdistribusi secara normal.
2. Uji Autokorelasi Uji autokorelasi bertujuan untuk melihat apakah dalam suatu model
regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t- 1. Autokorelasi muncul karena observasi yang
berurutan sepanjang tahun yang berkaitan satu sama lainnya. Jika ada korelasi, maka dinamakan ada problem autokorelasi.
Universitas Sumatera Utara
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu yang berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan
pengganggu tidak bebas dari satu observasi ke observasi lainnya. Ada beberapa cara yang dapat digunakan untuk mendeteksi masalah autokorelasi diantaranya
dengan uji Durbin Watson. Uji ini hanya digunakan untuk autokorelasi tingkat pertama dan mensyaratkan adanya intercept konstanta dalam model regresi.
Penganmbilan keputusan ada tidaknya autokorelasi adalah sebagai berikut : 1. Bila nilai Durbin – Watson DW terletak anatara batas atas atau Upper
Bound DU dan 4 – DU, maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi.
2. Bila nilai DW lebih rendah daripada batas bawah atau Lower Bound DL , maka koefisien autokorelasi lebih besar dari nol, berarti ada
autokorelasi positif. 3. Bila nilai DW lebih besar daripada 4- DL , maka koefisien
autokorelasi lebih kecil dari nol, berarti ada autokorelasi negatif. 4. Bila nilai DW terletak diantara batas atas DU dan batas bawah DL
atau DW terletak anatara 4 – DU dan 4- DL , maka hasilnya tidak dapat disimpulkan Ghozali, 2001 .
3. Uji Multikolinearitas Multikolinearitas terjadi jika terdapat hubungan linier antara independen
variabel yang dilibatkan dalam model. Jika terjadi gejala multikolinearitas yang tinggi, standard erroe koefisien regresi akan semakin besar dan mengakibatkan
confidence interval unruk pendugaan parameter semakin lebar, dengan demikian
Universitas Sumatera Utara
terbuka kemungkinan terjadi kekeliruan, menerima hipotesis yang salah dan menilak hipotesis yang benar.
Uji asumsi klasik seperti multikolinearitas dapat dilaksanakan dengan jalan meregresikan model analisis dan melakukan uji korelasi antar variabel
independen dengan menggunakan Varian Inflation Factor VIF . Batas dari VIF adalah 10 dan nilai tolerance value adalah 0.1. Jika VIF lebih besar dari 10 dan
nilai tolerance value kurang dari 0.1 maka terjadi multikolinearitas. Bila terdapat gejala multikolinearitas diantara variabel independen, maka penanggulangannya
adalah dengan mengeluarkan salah satu variabel tersebut dari model. 4. Uji Heterokedastisitas
Heterokedastisitas berarti terdapat varian yang tidak sama dalam kesalahan pengganggu. Uji ini dilakukan untuk menguji apakah dalah sebuah model regresi
terjadi ketidaksamaan varians dari residual suatu pengamatan ke pengamatan yang lain. Pendeteksiannya dilakukan dengan melihat grafik plot antara nilai prediksi
variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan denga melihat ada tidaknya pola
tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah residual Y prediksi – Y sesungguhnya yang telah di – studentized. Jika
ada pola tertentu, seperti titik – titik yang ada membentuk pola – pola tertentu yang teratur bergelombang, melebar kemudian menyempit, maka
mengidikasikan telah terjadi heterokedastisitas. Jika tidak ada pola yang jelas, serta titik – titik menyebar diatas dan dibawah angka nol pada sumbu Y, maka
tidak terjadi heterokedastisitas.
Universitas Sumatera Utara
H. Model Analisis Regresi Berganda