analisis statistik dengan menggunakan SPSS 16. Peneliti melakukan terlebih dahulu uji asumsi klasik sebelum melakukan pengujian hipotesis.
3.7.1 Pengujian Asumsi Klasik
Penggunaan analisis regresi dalam pengujian hipotesis, harus di uji terlebih dahulu apakah model tersebut memenuhi asumsi klasik atau tidak.
Uji asumsi klasik yang dilakukan dalam penelitian ini adalah uji normalitas data, uji multikolonieritas, uji heteroskedastisitas dan uji autokorelasi.
3.7.1.1 Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi
normal. Kalau nilai residual tidak mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali,
2005:110. Menurut Ghozali 2005:110, ”cara untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua, yaitu
analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal dan
grafik dengan melihat histogram
dari residualnya”. Dasar pengambilan keputusannya adalah:
1 Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola
berdistribusi normal, maka model regresi memenuhi asumsi normalitas.
2 Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data
berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
”Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov-Smirnov K-S”, yang dijelaskan
oleh Ghozali 2005:115. Uji K-S dibuat dengan membuat hipotesis: H0 : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal Bila signifikansi 0,05 dengan
α = 5 berarti distribusi data normal dan H0 diterima, sebaliknya bila nilai signifikan 0,05 berarti
distribusi data tidak normal dan Ha diterima.
3.7.1.2 Uji Multikolonieritas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi diantara variabel
independen. Model regresi yang baik seharusnya menunjukkan tidak terjadinya korelasi diantara variabel independen. Menurut Erlina
2008:105, multikolinearitas adalah situasi adanya korelasi variabel variabel independen antara yang satu dengan yang lainnya, dalam hal
ini kita sebut variabel-variabel bebas tidak ortogonal. Variabel variabel bebas yang bersifat ortogonal adalah variabel bebas yang
memiliki nilai korelasi diantara sesamanya sama dengan nol. Model regresi yang baik seharusnya tidak ada korelasi antar variabel
independen.Ada tidaknya multikolonieritas dapat dideteksi dengan melihat:
1 Melihat nilai tolerance, Nilai cutoff yang umum dipakai untuk menunjukkan adanya
multikolonieritas adalah nilai tolerance 0,10. 2 Melihat nilai variance inflation factor VIF,
Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai VIF 10.
3 Menganalisis matrik korelasi variabel-variabel independen,
Menurut Ghozali 2005: 93 untuk matrik korelasi adanya indikasi
multikolonieritas dapat dilihat jika antar variabel independen ada
korelasi yang cukup tinggi umumnya diatas 0,95.
4 Melihat nilai Condition Index CI, Jika nilai CI antara 10 dan 30 terdapat multikolinearitas moderat
ke kuat, sedangkan jika nilai CI 30 artinya terdapat multikolinearitas sangat kuat.
3.7.1.3 Uji Heteroskedastisitas
Uji ini memiliki tujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual suatu pengamatan
ke pengamatan yang lain. Menurut Erlina 2007:108 “jika varians dari residual satu
pengamatan ke pengamatan lainnya tetap, maka disebut
homoskedastisitas. Sebaliknya jika varians berbeda, maka disebut heterokedasitas”. Ada tidaknya heteroskedastisitas dapat dilakukan
dengan melihat grafik Scaterplot antar nilai prediksi variabel independen dengan nilai residualnya. Dasar analisis yang dapat
digunakan untuk menentukan heteroskedastisitas, antara lain: 1 Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur bergelombang, melebar kemudian
menyempit, maka mengindikasikan telah terjadi heteroskedastisitas
2 Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan dibawah angka 0 nol pada sumbu Y, maka tidak terjadi
heteroskedastisitas atau terjadi homoskedastisitas . Menurut Gozali 2005: 107 ”analisis dengan grafik plots
memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah
pengamatan semakin sulit menginterpretasikan hasil grafik plot.
Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil”. Adapun uji statistik yang digunakan untuk
mendeteksi ada tidaknya heteroskedastisitas dalam penelitian ini
adalah Uji Glejser. 3.7.1.4 Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan pengganggu pada
periode t dengan kesalahan pada periode t-1. Autokorelasi muncul karena observasi yang berurutan sepanjang tahun yang
berkaitan satu dengan yang lainnya. Hal ini sering ditemukan pada time series. Cara yang dapat digunakan untuk mendeteksi
masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan dari Prof.Singgih sebagai berikut:
1 Angka D-W dibawah -2 berarti ada autokorelasi positif, 2 Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3 Angka D-W di atas +2 berarti ada autokorelasi negatif. Run test sebagai bagian dari statistik non parametrik dapat
pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan
korelasi maka dikatakan bahwa residual adalah acak atau random yaitu dengan melihat nilai probabilitasnya. Menurut Ghozali 2005:
103 bila signifikansi 0,05 dengan α = 5 berarti residual random
dan H0 diterima, sebaliknya bila nilai signifikan 0,05 berarti residual tidak random dan H0 ditolak.
3.7.2 Pengujian Hipotesis