91
salah. Ada beberapa cara untuk mendeteksi ada-tidaknya masalah autokorelasi, yaitu menggunakan metode Durbin-Watson dan metode
Run Test sebagai salah satu uji statistic non-parametik. Uji Durbin- Watson Uji D-W merupakan uji yang sangat populer untuk menguji
ada-tidaknya masalah autokorelasi dari model empiris yang diestimasi Sudarmanto, 2005.
Menurut Oramahi 2007, untuk mendeteksi terjadi autokorelasi atau tidak dapat dilihat melalui nilai Durbin-Watson DW yang bisa
dijadikan patokan untuk mengambil keputusan adalah : 1 Bila nilai D-W -2, berarti ada autokorelasi positif.
2 Bila nilai D-W diantara -2 sampai dengan +2, berarti tidak terjadi autokorelasi.
3 Bilai nilai D-W +2, berarti ada autokorelasi negatif Jika ada masalah autokorelasi, maka model regresi yang
seharusnya signifikan lihat angka F dan signifikannya, menjadi tidak layak untuk dipakai. Autokorelasi dapat diatas dengan berbagai cara
antara lain dengan melakukan transformasi data dan menambah data observasi.
2. Uji Hipotesis
Data yang digunakan untuk mengetahui hubungan dari variabel- variabel yang akan diteliti. Pengolahan data menggunakan software
Microsoft Excel 2010 dan SPSS 20. Dalam pengujian ini menggunakan Uji Statistik meliputi Uji-t dan Uji-F.
92
a. Uji Parsial Uji-t
Uji t digunakan untuk menguji apakah setiap variabel Independen secara masing-masing parsial atau individual memiliki
pengaruh yang signifikan terhadap variabel terikat dependen pada tingkat signifikansi 0,05 5 dengan menganggap variabel bebas
bernilai konstan. Langlah-langkah yang harus dilakukan dengan uji-t yaitu dengan pengujian yaitu : Nachrowi dan Usman, 2006 : 17.
Hipotesis: Ho : βi = 0 artinya masing-masing variabel bebas tidak ada pengaruh
yang signifikan dari variabel terikat. Ha : βi ≠ 0 artinya masing-masing variabel bebas ada pengaruh yang
signifikan dari variabel terikat. Bila probabilitas α 5 variabel bebas tidak signifikan atau tidak
mampu mempunyai pengaruh terhadap variabel terikat Ho terima, Ha tolak.
Bila probabilitas α 5 variabel bebas signifikan atau mempunyai pengaruh terhadap variabel terikat Ho tolak, Ha
terima.
b. Uji Simultan Uji
–F
Nilai F hitung digunakan untuk menguji ketetapan model goodness of fit. Uji F ini juga sering disebut uji simultan, untuk
menguji apakah variabel bebas yang digunkan dalam model mampu menjelaskan perubahan nilai variabel terikat atau tidak. Adapun cara
93
pengujian dalam uji F ini, yaitu dengan menggunakan suatu variabel yang disebut dengan tabel ANOVA Analysis of Variance dengan
melihat nilai signifikan Sig. 0,05 atau 5. Jika nilai signifikan 0,05 maka H
1
ditolak, sebaliknya jika nilai signifikan 0,05 maka H
1
diterima.
c. Uji Koefisien Determinasi R
Square
Koefisien determinasi merupakan besarnya kontribusi variabel bebas terhadap variabel terikatnya. Semakin tinggi koefisien
determinasi, semakin tinggi kemampuan variabel bebas dalam menjelaskan variasi perubahan pada variabel terikatnya Suliyanto,
2011 : 55 Koefisien determinasi memiliki kelemahan, yaitu bisa terhadap
jumlah variabel bebas yang dimasukkan dalam model regresi, dimana setiap penambahan satu variabel bebas dan pengamatan
dalam model akan meningkatkan R
2
meskipun variabel yang dimasukkan itu tidak memiliki pengaruh yang signifikan terhadap
variabel terikatnya. Untuk mengurangi kelemahan tersebut maka digunakan koefisien determinasi yang telah disesuaikan, Adjusted R
Square R
2
adj. Koefisien determinasi yang telah disesuaikan berarti bahwa koefisien tersebut telah dikorelasi dengan memasukkan unsur
jumlah variabel dan ukuran sampel yang digunakan. Dengan menggunakan koefisien determinasi yang disesuaikan, maka nilai
koefisien determinasi yang disesuaikan itu dapat naik atau turun akibat adanya penambahan variabel baru dalam model Suliyanto,
94
2011 : 43. Untuk dapat memberikan penafsiran terhadap koefisien korelasi
yang ditemukan tersebut besar atau kecil, maka dapat digunakan kriteria sebagai berikut Sugiono, 2009:231:
Tabel 3.1 Kriteria untuk Memberikan Interpretasi terhadap Koefisien
Korelasi Interval Koefisien
Tingkat Hubungan
0,00 - 0,199 Sangat Rendah
0,20 - 0,399 Rendah
0,40 - 0,599 Sedang
0,60 - 0,799 Kuat
0,80 - 1,000 Sangat Kuat
3. Analisis Regresi Linier Berganda
Menurut Umi Narimawati 2008, analisis regresi linier berganda adalah suatu analisis asosiasi yang digunakan secara bersamaan untuk
meneliti pengaruh dua atau lebih variabel bebas terhadap satu variabel tergantung dengan skala interval. Pada analisis regresi linier berganda
bahwa regresi berganda variabel tergantung terikat dipengaruhi oleh dua atau lebih variabel bebas sehingga hubungan fungsional antara
variabel terikat Y dengan variabel bebas X1, X2, Xn. Kemudian dapat ditulis sebagai berikut:
Y = f X2, X2, ……… , Xn
Keterangan : Y
= Variabel tergantung atau terikat dependent