Dasar Teori

2.2.12. Uji Klasikal Regresi Linier

Koefisien-koefisien regresi linier sebenarnya adalah nilai duga dari parameter model regresi. Parameter merupakan keadaan sesungguhnya untuk kasus yang kita amati. Parameter regresi diduga melalui teknik perhitungan yang disebut Ordinary Least Square (OLS). Tentu saja, yang namanya menduga, kita tidak mungkin terlepas dari kesalahan, baik itu sedikit maupun banyak. Namun dengan OLS, kesalahan pendugaan dijamin yang terkecil (dan merupakan yang terbaik) asal memenuhi beberapa asumsi. Asumsi-asumsi tersebut biasanya disebut asumsi klasik regresi linier. Untuk mengetahui apakah koefisien regresi yang kita dapatkan telah sahih (benar; dapat diterima), maka kita perlu melakukan pengujian terhadap kemungkinan adanya pelanggaran asumsi klasik tersebut.

Secara manual, dalam melakukan uji asumsi klasik regresi linier, kita harus terlebih dahulu mendapatkan data residual. Perlu kita ingat, pengujian asumsi klasik menggunakan data residual, bukan data pengamatan, kecuali uji asumsi multikolinieritas. Dengan kata lain, penerapan pengujian asumsi klasik regresi linier dilakukan terhadap data residual, kecuali untuk uji asumsi multikolinieritas. Memang, untuk memunculkan hasil uji asumsi klasik regresi linier, pengguna paket software statistika pada umunya tidak diminta untuk memasukkan data residual. Hal ini disebabkan karena pada umumnya software statistika secara otomatis melakukan uji asumsi klasik tanpa terlebih dahulu meminta pengguna software memasukkan data residual. Menurut penulis, hal inilah yang membuat sebagian orang tidak menyadari bahwa sebenarnya saat melakukan uji asumsi klasik, software statistika terlebih dahulu mendapatkan data residual dan baru kemudian melakukan perhitungan uji asumsi klasik regresi linier.

Ada empat uji asumsi klasik yang sering digunakan, yaitu:

A. Uji normalitas Uji normalitas adalah pengujian asumsi residual yang berdistribusi normal. Asumsi ini harus terpenuhi untuk model regresi linier yang baik. Uji normalitas A. Uji normalitas Uji normalitas adalah pengujian asumsi residual yang berdistribusi normal. Asumsi ini harus terpenuhi untuk model regresi linier yang baik. Uji normalitas

dilakukan pada nilai residual model. Uji normalitas dapat dilakukan dengan uji normal P-P plot, uji Kolmogorov-Smirnov, uji Anderson-Darling, uji Shapiro- Wilk atau uji Jarque-Bera (Uji Skewness-Kurtosis). Asumsi Nomalitas terpenuhi, jika nilai kritis Sign. (p-value) ≥ α (taraf signifikan yang biasa ditentukan sebesar 5% atau 1%).

B. Uji heteroskedasitas Uji heteroskedasitas adalah pengujian asumsi residual dengan varians tidak konstan. Harapanya, asumsi ini tidak terpenuhi karena model regresi linier berganda memiliki asumsi residual dengan varians konstan (homoskedasitas). Deteksi heteroskedasitas dapat dilakukan dengan menampilkan scatter plot dari nilai ZPRED (nilai prediksi, sumbu X) dengan SRESID (nilai residualnya, sumbu Y). Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik. Pola tertentu yang dimaksud seperti mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan adalah uji Breusch-Pagan-Godfrey, uji Harvey, uji Glejser atau uji White.

C. Uji autokorelasi Uji autokorelasi adalah pengujian asumsi residual yang memiliki korelasi pada periode ke-t dengan periode sebelumnya (t-1). Harapannya, model regresi linier berganda memiliki residual yang sifat white noise (tidak ada autokorelasi). Uji autokorelasi hanya dilakukan pada data time series (runtun waktu) dan tidak perlu dilakukan pada data cross section (dicatat pada waktu-waktu tertentu/tidak runtun). Statistik uji yang sering dipergunakan adalah uji Durbin-Watson. Apabila nilai Durbin-Watson berada di sekitar angka 2, berarti model regresi aman dari kondisi Autokorelasi.

D. Uji multikolinearitas Uji multikolinearitas adalah pengujian untuk mengetahui ada atau tidaknya korelasi yang signifikan antara variabel-variabel prediktor/independen dalam suatu model regresi linear berganda. Model regresi yang baik memiliki variabel- variabel bebas yang independen/bebas/tidak terkait/tidak berkorelasi.

perpustakaan.uns.ac.id digilib.uns.ac.id

Harapannya, asumsi multikolinieritas tidak terpenuhi. Statistik uji yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF) atau korelasi pearson antara variabel-variabel bebas. Pada uji multikolinieritas, diharapkan nilai VIF < 10 atau korelasi pearson antara variabel-variabel bebas signifikan (Sign. < α = 5% atau 1%), sehingga asumsi multikolinieritas tidak terpenuhi.

2.2.13. SPSS (Statistical Product and Service Solution)

SPSS adalah sebuah program komputer yang digunakan untuk membuat analisis statistika. SPSS merupakan program aplikasi yang memiliki kemampuan analisis statistik cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan menggunakan menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga mudah untuk dipahami cara pengoperasiannya. Sebelum melakukan uji statistik langkah awal yang harus dilakukan adalah screening terhadap data yang akan diolah. Salah satu asumsi penggunaan statistik parametik adalah asumsi multivariate normality. Multivariate normality merupakan asumsi bawa setiap variabel dan semua kombinasi linear dari variabel berdistribusi normal. Jika asumsi ini terpenuhi, maka nilai residual dari analisis juga berdistribusi normal dan independen.

Data dalam program SPSS harus mempunyai struktur, format dan jenis dan jenis tertentu. Hal lain yang perlu diperhatikan dalam analisis adalah pemilihan prosedur yang sesuai dengan kasus yang sedang dihadapi. Kesalahan dakam memiih prosedur tentunya akan mengakibatkan hasil analisis yang diperoleh tidak sesuai yang diharapkan. Untuk lebih jelasnya kita dapat lihat penjelasan mengenai apa yang harus dimengerti sebagai berikut:

A. Struktur data Dalam SPSS data yang akan diolah harus dalam bentuk m baris dan n kolom. Tiap baris data dinamakan case (kasus) dan tiap kolom data mempunyai heading dinamakan variabel.

perpustakaan.uns.ac.id digilib.uns.ac.id

B. Missing value Missing value atau harga yang hilang adalah istilah yang digunakan oleh SPSS untuk mendeklarasikan data yang hilang/tidak lengkap. Hal ini diperhatikan karena data yang hilang akan sangat berpengaruh pada hasil pengolahan maupun analisis dari keseluruhan data. Ada 2 jenis missing value yang dikenal oleh SPSS sebagai berikut:

1) User missing value adalah missing value yang nilai ditentukan oleh user (pemakai).

2) System missing value adalah missing value yang ditentukan secara otomatis oleh SPSS. System missing value ditentukan bilamana dijumpai harga illegal seperti terdapat karakter alphabetic pada variabel numerik atau perhitungan yang menghasilkan nilai tak terdefinisikan pada perintah transformasi data seperti pembagian dengan 0.

C. Konsep variabel Dilihat dari bentuknya variabel terdiri dari:

1) Variabel kualitatif, variabel ini berbentuk klasifikasi atau katagori

2) Variabel kuantitatif, variabel ini merupakan skor yang berwujud numerik.

perpustakaan.uns.ac.id digilib.uns.ac.id