Teknik Analisis Data Uji Reliabilitas

korelasi diantara variabel bebas. Jika variabel independen saling berkorelasi, maka variabel variabel ini tidak ortogonal. Variabel ortogonal adalah variabel bebas yang nilai korelasi antar sesama variabel independen sama dengan nol. Untuk mendeteksi ada tidaknya multikolinearitas di dalam model korelasi adalah sebagai berikut Imam Ghozali, 2011: 105 : 1 Nilai R square yang dihasilkan oleh suatu estimasi model regresi empiris yang sanagt tinggi, tetapi secara individual variabel- variabel bebas banyak yang tidak signifikan mempengaruhi variabel terikat. 2 Menganalisis matrik korelasi variabel-variabel bebas. Jika antar variabel bebas ada korelasi yang cukup tinggi umumnya di atas 0,90, maka hal ini merupakan indiaksi adanya multikoleniaritas. Multikolinearitas juga dapat dilihat dari nilai tolerance dan dan lawannya variance inflation factor VIF. Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Nilai cut off yang umum dipakai untuk menunjukkan adanya mutikolinearitas adalah nilai tolerance ≤ 0,10 atau sama dengan nilai VIF ≥ 10. Model yang terbebas dari multikolinearitas mempunyai nilai tolerance 0,10 atau sama dengan nilai VIF 10.

2. Uji Hipotesis Penelitian a.

Korelasi Pearson Product Moment r Riduwan dan Akdon, 2007: 123 mengatakan korelasi ini dikemukakan oleh Karl Pearson tahun 1900. Kegunaannya untuk mengetahui derajat hubungan antara variabel bebas independent dengan variabel terikat dependent. Teknik korelasi PPM termasuk teknik statistik parametrik yang menggunakan data interval dan rasio dengan persyaratan tertentu. Misalnya : data dipilih secara acak random, datanya berdistribusi normal, data yang dihubungkan berpola linier, dan data yang dihubungkan mempunyai pasangan yang sama sesuai dengan subjek yang sama. Rumus yang dipergunakan adalah korelasi Product Moment sebagai berikut: xy r            2 2 2 2 Y Y N X X N Y X XY N            Keterangan: r xy = koefisien korelasi antara X dan Y N = jumlah sampel ΣX = jumlah skor variabel X ΣY = jumlah skor variabel Y ΣX 2 = jumlah skor kuadrat variabel X ΣY 2 = jumlah skor kuadrat variabel Y ΣXY = jumlah perkalian antara skor variabel X dan skor variabel Y