Metode Analisis Metode Analisis dan Pengujian Hipotesis
tidaknya autokorelasi, dalam penelitian ini menggunakan uji Durbin - Watson DW Test. pengambilan keputusan ada tidaknya autokorelasi
Ghozali; 2005 1 Bila nilai DW terletak antara batas atas atau upper bound du dan 4-
du maka koefisien autokorelasi sama dengan 0 berarti tidak ada autokorelasi.
2 Bila nilai DW lebih rendah dari pada batas bawah atau lower bound di, maka koefisien autokorelasi lebih dari pada 0,berarti ada
autokorelasi positif. 3 Bila nilai DW lebih dari pada 4-dl,maka koefisien outokorelasi
lebih kecil dari pada 0,berarti ada autokorelasi negatif. 4 Bila nilai DW terletak diantara batas atas du dan batas bawah dl
atau DW terletak antara 4-du dan dl,maka hasilnya tidak dapat disimpulkan.
c. Uji Heteroskedastisitas Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain, model regresi yang baik adalah tidak terjadi
heteroskedastisitas. Untuk mengetahui adanya heteroskedasatisitas digunakan grafik scatter plot yaitu dengan melihat pola-pola tertentu
pada grafik, dimana sumbu X adalah Y yang telah diprediksi dan sumbu X adalah residual Y prediksi
– Y sesungguhnya. Dasar pengambilan keputusan yang dilakukan adalah sebagai berikut:
1 Jika ada pola tertentu seperti titik-titik point-point yang ada membentuk suatu pola tertentu yang teratur bergelombang, melebar
kemudian menyempit, maka telah terjadi heteroskedastisitas. 2 Jika tidak ada pola yang jelas serta titik-titik menyebar diatas dan
dibawah angka nol pada sumbu Y maka tidak terjadi heteroskedastisitas.
d. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel terikat dan variabel bebas mempunyai distribusi normal atau tidak. Asumsi normalitas merupakan persyaratan yang sangat penting
pada pengujian signifikansi koefisien regresi. Model regresi yang baik adalah model regresi yang memiliki distribusi normal atau mendekati
normal, sehingga layak dilakukan pengujian secara statistik. Dasar pengambilan keputusan bisa dilakukan berdasarkan probabilitas
Asymtotic Significance, yaitu: a Jika probabilitas 0,05 maka distribusi dari populasi adalah normal.
b Jika probabilitas 0,05 maka populasi tidak berdistribusi secara normal
Pengujian secara visual dapat juga dilakukan dengan metode gambar normal Probability Plots dalam program SPSS. Dengan dasar
pengambilan keputusan sebagai berikut:
a Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal, maka dapat disimpulkan bahwa model regresi
memenuhi asumsi normalitas. b Jika data menyebar jauh dari garis diagonal dan tidak mengikuti
arah garis diagonal, maka dapat disimpulkan bahwa model regresi tidak memenuhi asumsi normalitas.
Selain itu uji normalitas digunakan untuk mengetahui bahwa data yang diambil berasal dari populasi berdistribusi normal. Uji yang
digunakan untuk menguji kenormalan adalah uji Kolmogorov-Smirnov. Berdasarkan sampel ini akan diuji hipotesis nol bahwa sampel tersebut
berasal dari populasi berdistribusi normal melawan hipotesis tandingan bahwa populasi berdistribusi tidak normal.
2. Pengujian Normalitas Data Pengujian distribusi data bertujuan untuk pengujian suatu data
penelitian apakah dalam model statistik, variabel terikat dan variabel bebas berdistribusi normal atau berdistribusi tidak normal. Distribusi data
normal menggunakan statistik parametrik sebagai alat pengujian. Sedangkan distribusi tidak normal digunakan untuk analisis pengujian
statistik non parametrik. Di samping menggunakan grafik normal p-plot, pengujian normalitas lain yang digunakan adalah menggunakan uji
Skewness. 3. Uji Multikolinearitas
“Multikolinieritas adalah untuk mengetahui apakah pada model regresi ditemukan adanya korelasi antar variabel independen” Husein Umar,
2011:177.Jika terjadi korelasi, terdapat masalah multikolinieritas yang harus diatasi. Multikolinieritas berarti adanya hubungan yang kuat di antara
beberapa atau semua variabel bebas pada model regresi. Jika terdapat Multikolinieritas maka koefisien regresi menjadi tidak tentu, tingkat
kesalahannya menjadi sangat besar dan biasanya ditandai dengan nilai koefisien determinasi yang sangat besar, tetapi pada pengujian pearson
koefisien regresi, tidak ada ataupun kalau ada sangat sedikit sekali koefisien regresi yang signifikan. Pada penelitian ini digunakan nilai variance inflation
factors VIF sebagai indikator ada tidaknya multikolinieritas diantara variabel bebas.
Untuk mengatasi terjadinya multikolinieritas, dapat diupayakan melalui hal-
hal sebagai berikut: “1. Evaluasi apakah pengisian data telah berlangsung secara efektif atau terdapat kecurangan dan kelemahan lain;2. Jumlah data
ditambah lagi; 3.Salah satu variabel independen dibuang karena data dari dua variabel independen ternyata mirip atau digabungkan jika secara konsep
relatif sama; dan 4. Gunakan metode lanjut seperti regresi bayesian atau regresi tolerance
” Husein Umar, 2011:178. 4. Uji Heteroskedastisitas
“Heteroskedastisitas adalah dilakukan untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual suatu
pengamatan ke pengamatan lain” Husein Umar, 2011:179.
Heteroskedastisitas merupakan indikasi varian antar residual tidak homogen yang mengakibatkan nilai taksiran yang diperoleh tidak lagi efisien.
Untuk menguji apakah varian dari residual homogen digunakan uji rank Spearman, yaitu dengan mengkorelasikan variabel bebas terhadap nilai
absolut dari residual error. Apabila ada koefisien korelasi yang signifikan pada tingkat kekeliruan 5, mengindikasikan adanya heteroskedastisitas.
Cara pengujian
untuk mendeteksi
ada atau
tidaknya heteroskedastisitas juga dapat dilakukan dengan melihat grafik plot antara
nilai produksi variabel terikat ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada
tidaknya pola tertentu pada grafik scatterplot. 5. Uji Autokorelasi
“Autokorelasi adalah dilakukan untuk mengetahui apakah dalam sebuah model regresi linier terdapat hubungan yang kuat baik positif maupun
negatif antar data yang ada pada variabel- variabel penelitian” Husein Umar,
2011:182. Untuk data cross section, akan diuji apakah terdapat hubungan yang
kuat di antara data pertama dan kedua, data kedua dengan ke tiga dan seterusnya. Jika ya, telah terjadi autokorelasi. Hal ini akan menyebabkan
informasi yang diberikan menjadi menyesatkan. Oleh karena itu, perlu tindakan agar tidak terjadi autokorelasi.Pada pengujian autokorelasi
digunakan uji Durbin-Watson untuk mengetahui ada tidaknya autokorelasi pada model regresi dan berikut nilai Durbin-Watson yang diperoleh melalui
hasil estimasi model regresi.Cara untuk mendeteksi ada tidaknya autokorelasi dalam penelitian ini adalah dengan menggunakan perhitungan nilain statistik
Durbin-Watson D-W :
Tabel 3.4 Kriteria Pengujian Durbin Watson Uji DW
Durbin-Waston Kesimpulan
Kurang dari 1,10 Ada Autokorelasi
1,10 sampai 1,54 Tanpa Kesimpulan
1,55 sampai 2,46
Tidak Ada Autokorelasi
2,46 sampai 2,90 Tanpa Kesimpulan
Lebih dari 2,91
Ada Autokorelasi
Apabila hasil uji Durbin-Watson tidak dapat disimpulkan apakah terdapat autokorelasi atau tidak maka dilanjutkan dengan runs test.