3.5.1. Analisis Statistik Deskriptif
Statistik deskriptif merupakan teknik deskriptif yang memberikan gambaran atau informasi data dan tidak bermaksud untuk menguji hipotesis.
Analisis ini hanya bertujuan untuk menganalisis data disertai dengan perhitungan agar dapat memperjelas karakteristik data yang bersangkutan. Statistik deskriptif
menunjukkan jumlah sampel, nilai minimum, nilai maksimum, nilai rata-rata
mean
, dan standar deviasi . Nilai minimum digunakan untuk mengetahui jumlah terkecil dari data yang bersangkutan. Nilai maksimum digunakan untuk
mengetahui jumlah terbesar dari data yang bersangkutan. Nilai rata-rata
mean
digunakan untuk mengetahui nilai rata-rata dari data yang bersangkutan. Standar deviasi digunakan untuk mengetahui seberapa besar data yang bersangkutan
bervariasi dari rata-rata.
3.5.2. Uji Asumsi Klasik
Data dalam penelitian ini akan diuji terlebih dahulu untuk memenuhi uji asumsi klasik sebelum dilakukannya pengujian hipotesis. Uji asumsi klasik
dilakukan untuk menjadikan model regresi dapat digunakan untuk keperluan estimasi serta mengurangi bias data. Uji asumsi klasik yang dilakukan meliputi uji
normalitas, uji multikolinearitas, uji heteroskedastisitas dan uji autokorelasi. 1.
Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam regresi, variabel
pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal.
Apabila asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.
Pengujian normalitas data dalam penelitian ini menggunakan analisis grafik dan uji
kolmogrov-smirnov
. Pengujian normalitas melalui analisis grafik adalah dengan cara menganalisis grafik normal
probability plot
yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal
akan membentuk satu garis lurus diagonal, dan
ploting
data residual akan dibandingkan dengan garis diagonal. Data dapat dikatakan normal jika data atau
titik-titik tersebar disekitar garis diagonal dan penyebarannya mengikuti garis diagonal .
Normalitas dapat dideteksi dengan melihat penyebaran data titik pada sumbu diagonal grafik atau dengan melihat histogram dari residualnya. Dasar
pengambilan keputusan: a.
Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukan pola distribusi normal, maka model
regresi memenuhi asumsi normalitas. b.
Jika data meyebar lebih jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas. Metode grafik ini memiliki kelemahan yaitu pengamatan visual dari grafik
tersebut terakadang menyesatkan. Oleh sebab itu dianjurkan untuk melakukan uji normalitas secara statistik. Uji statistik yang dapat digunakan untuk menguji
normalitas residual adalah uji statistik non parametrik
Kolmogrov-Smirnov
K-S.
Jika hasil
Kolmogrov-Smirnov
menunjukkan nilai signifikan di atas 0,05 maka data residual terdistribusi dengan normal. Sedangkan jika hasil
Kolmogrov- Smirnov
menunjukkan nilai signifikan di bawah 0,05 maka data
residual
terdistribusi tidak normal. 2.
Uji Multikolineritas Uji multikolinieritas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas independen yang satu dengan yang lainnya. Model regresi yang baik seharusnya tidak terjadi korelasi di antara
variabel independen. Jika variabel independen saling berkorelasi, maka variabel- variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang
nilai korelasi antar sesama variabel sama dengan nol. Gejala multikolinieritas dapat dideteksi dengan melihat nilai
tolerance
dan
variance inflation factor
VIF. Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.
Tolerance
mengukur variabilitas independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai
tolerance
yang rendah sama dengan nilai VIF yang tinggi karena VIF = 1
tolerance
. Nilai
cut off
yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai
tolerance
0,10 atau sama dengan VIF 10. Jadi dikatakan tidak terjadi multikolonieritas apabila nilai
tolerance
0,10 dan nilai VIF 10. 3.
Uji Heteroskedatisitas Uji heteroskedastisitas bertujuan untuk mengetahui apakah dalam model
regresi terjadi ketidaksamaan
variance
dari residual satu pengamatan ke
pengamatan yang lain. Jika
variance
dari pengamatan satu ke pengamatan yang lain tetap, maka disebut homoskedastisitas. Jika tidak maka disebut
heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas Ghozali 2013. Salah satu cara mendeteksi ada
atau tidaknya heteroskedastisitas adalah dengan menggunakan Uji Park. Uji ini dapat mendeteksi adanya heteroskedastisitas dengan cara melihat signifikansi
masing-masing variabel. Jika variabel independen signifikan secara statistik 0,05, dapat disimpulkan bahwa dalam data model empiris terdapat
heteroskedastisitas, begitu juga sebaliknya. Selain uji park cara mendeteksi adanya heteroskedastisitas juga dapat
dilakukan dengan melihat grafik
scatterplot
antara nilai prediksi variabel terikat dependen yaitu ZPRED dengan residualnya SRESID. Sumbu Y adalah Y yang
telah diprediksi, dan sumbu X adalah residual Y prediksi – Y sesungguhnya
yang telah di-
studentized
. Dasar analisisnya adalah : a.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur bergelombang, melebar kemudian menyempit akan
mengindikasikan telah terjadi heteroskedastisitas. b.
Jika tidak ada pola yang jelas, serta titik-titik penyebaran di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada peiode t-1 sebelumnya. Jika terjadi korelasi maka ada
problem
autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu dengan lainnya. Masalah ini timbul karena residual
kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya . Salah satu cara untuk mendeteksi ada atau tidaknya autokorelasi yaitu
dengan
run test. Run test
digunakan sebagai bagian dari statistik
nonparametric
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
. Model regresi dikatakan
random
atau acak jika nilai signifikansi lebih dari 0,05 maka model regresi tidak terjadi autokorelasi
3.5.3. Analisis Regresi Berganda