60
������� ���� �� � ��� = Rentang
Banyak Kelas Inerval Berdasarkan rumus tersebut maka panjang kelas interval adalah:
������� ���� �� � ��� = 5
− 1 5
= 0.8 Maka kriteria dari penilaian adalah sebagai berikut:
Tabel 4.9 Interpretasi Nilai Rata-Rata Jawaban Responden Terhadap
Keberhasilan Usaha Y Nilai
Keterangan
1.00 – 1.79
Sangat Tidak Baik 1.80
– 2.59 Tidak Baik
2.60 – 3.39
Kurang Baik
3.40 – 4.19
Baik
4.20 – 5.00
Sangat Baik Sumber: Data Diolah 2016
Dari hasil jawaban responden dapat dilihat bahwa rata-rata jawaban responden mengenai keberhasilan usaha sebesar 3.90 baik yang artinya semua
responden menyetujui bahwa untuk mencapai keberhasilan usaha pedagang bakso di Kecamatan Medan Johor sangat diperlukan karakteristik dan pengetahuan
kewirausahaan yang baik.
4.4 Uji Asumsi Klasik
Sebelum dapat menggunakan model regresi linier berganda dalam menganalisis variabel
–variabel, maka terlebih dahulu diuji syarat-syarat yang harus dipenuhi. Dengan kata lain menguji dengan model asumsi klasik, yakni
sebagai berikut:
Universitas Sumatera Utara
61
4.4.1 Uji Normalitas
Uji normalitas dilakukan untuk melihat normal tidaknya sebaran data yang akan dianalisis. Model regresi yang baik adalah distribusi normal atau mendekati
normal. Untuk melihat normalitas data menggunakan pendekatan histogram, grafik dan Kolmogorov-Smirnov.
1. Pendekatan Histogram
Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Gambar 4.2 Hasil Uji Regression Standartized Residual
Pada Gambar 4.2 Hasil Uji Regression Standartized Residual pada histogram, terlihat bahwa variabel berdistribusi normal. Hal ini ditunjukkan oleh
distribusi data tersebut tidak miring ke kiri atau ke kanan dan membentuk pola lonceng.
Universitas Sumatera Utara
62
2. Pendekatan Grafik
Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Gambar 4.3 Hasil Uji Normal P-P Plot of Regression Standardized Residual
Pada output SPSS P-P Plot of Regression, bahwa data cenderung lurus mengikuti garis diagonal sehingga data dalam penelitian ini cenderung
terdistribusi normal seperti terlihat pada Gambar 4.3.
3. Pendekatan Kolmogorv-Sminorv
Uji normalitas dengan grafik bisa saja berdistribusi normal, karena sifatnya lebih subjektif. Oleh karena itu, perlu dilakukan uji normalitas secara
statitistik dengan pendekatan Kolmogorov-Smirnov 1 sample KS.
Hasil uji normalitas dengan pendekatan Kolmogorov-Smirnovdapat dilihat sebagai berikut:
Universitas Sumatera Utara
63
Tabel 4.10 Uji Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 33
Normal Parameters
a,b
Mean ,0000000
Std. Deviation
2,07116862 Most Extreme
Differences Absolute
,141 Positive
,141 Negative
-,088 Test Statistic
,141 Asymp. Sig. 2-tailed
,093
c
a. Test distribution is Normal. b. Calculated from data.
c. Lilliefors Significance Correction.
Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016 Pada Tabel 4.10 terlihat bahwa nilai Asymp. Sig 2-tailed adalah 0.093
dan diatas nilai signifikansi 0,05 atau 5. Hal ini berarti residual data berdistribusi normal. Nilai Kolmogorov-Sminorv Z lebih kecil dari 1,97 berarti
tidak ada perbedaan antara distribusi teoritik dan distribusi empiric atau dengan kata lain data dikatakan normal.
4.4.2 Uji Heterokedastisitas
Uji heterokedastisitas pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika varians sama,
dan yang seharusnya tidak terjadi maka dikatakan ada homokedastisitas,
Universitas Sumatera Utara
64
sedangkan jika varians tidak sama dikatakan heterokedastisitas Situmorang Lufti , 2014. Gejala heterokedastisitas dapat dideteksi dengan dua cara yaitu:
1. Gejala Grafik
Gejala heterokedastisitas dapat dilihat dengan menggunakan grafik Scatterplot.Apabila data yang berbentuk titik-titik tidak membentuk suatu pola
atau menyebar, maka model regresi tidak terkena heterokedastisitas. Kriteria pengambilan keputusan:
Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur maka regresi mengalami gangguan heterokedastisitas
Jika diagram pencar yang ada tidak membentuk pola-pola tertentu yang
teratur maka
regresi tidak
mengalami gangguan
heterokedastisitas.
Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Gambar 4.4 Scatter Plot Heterokedastisitas
Universitas Sumatera Utara
65
Gambar 4.4 menunjukkan bahwa titik-titik menyebar secara acak tidak membentuk sebuah pola tertentu yang jelas serta tersebar baik di atas maupun di
bawah angka nol 0 pada sumbu Y. Hal ini berarti tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak digunakan untuk memprediksi
keberhasilan usaha pedagang bakso di Kecamatan Medan Johor, berdasarkan masukkan variabel Karakteristik dan Pengetahuan Kewirausahaan.
2.
Analisis Statistik Kriteria keputusan:
Jika probabilitas 0,05 maka tidak mengalami gangguan heterokedastisitas
Jika probabilitas 0,05 maka mengalami gangguan heterokedastisitas Gejala heterokedastisitas dapat juga dideteksi melalui uji Glejser. Tabel
4.11 berikut akan menampilkan hasil uji heterokedastisitas dengan menggunakan uji Glejser.
Tabel 4.11 Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
4,871 1,799
2,708 ,011
KARAKTERISTIK -,054
,119 -,130
-,450 ,656
PENGETAHUAN -,124
,156 -,229
-,794 ,433
a. Dependent Variable: RES2 Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Universitas Sumatera Utara
66
Pada Tabel 4.11 dapat dilihat bahwa kolom Sig. pada tabel koefisien regresi untuk variabel independen adalah 0.656, 0.433, atau probabilitas lebih
besar dari 0,05 maka tidak terjadi gangguan heterokedastisitas. Hal ini menunjukkan semua variabel independent yang terdiri dari karakteristik dan
pengetahuan signifikan secara statisik mempengaruhi variabel dependent.
4.4.3 Uji Multikolinieritas
Artinya variabel independen yang satu dengan yang lain dalam model regresi berganda tidak saling berhubungan secara sempurna. Untuk mengetahui
ada tidaknya gejala multikolinieritas dapat dilihat dari besarnya nilai tolerance dan VIF Variance Inflation Factor melalui program SPSS. Tolerance mengukur
variabilitas variabel terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai umum yang bisa dipakai adalah nilai tolerance 0,1 atau nilai VIF
5, maka tidak terjadi multikolinieritas Situmorang Lufti, 2008. Pengujian multikolinieritas dapat dilihat pada tabel berikut:
Tabel 4.12 Uji Multikolinieritas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Tolerance VIF
1 Constant
1,610 2,868
,561 ,579
KARAKTERSTIK ,424
,191 ,422
2,225 ,034
,354 2,821
PENGETAHUAN ,530
,249 ,405
2,132 ,041
,354 2,821
a. Dependent Variable: KEBERHASILANUSAHA Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Universitas Sumatera Utara
67
Tabel 4.12 menunjukkan bahwa nilai tolerance 0.354, 0.354 0,1 sedangkan nilai inflation factor VIF 2.821, 2.821 5. Hal ini menunjukkan bahwa
variabel bebas dalam penelitian ini tidak saling berkorelasi atau tidak ditemukan adanya
korelasi antar
variabel bebas,
sehingga tidak
mengandung multikolinearitas.
4.5 Analisis Regresi Linier Berganda
Analisis regresi linier berganda berfungsi untuk mengetahui pengaruh variabel bebas X
1
dan X
2
dengan variabel terikat Y pada pedagang bakso di Kecamatan Medan Johor. Analisis regresi linier berganda menggunakan bantuan
program SPSS for windows.
Tabel 4.13 Hasil Metode Enter
Variables EnteredRemoved
a
Model Variables Entered
Variables Removed
Method 1
PENGETAHUAN, KARAKTERISTIK
b
. Enter a. Dependent Variable: KEBERHASILANUSAHA
b. All requested variables entered. Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Tabel 4.13 menunjukkan bahwa variabel yang dimasukkan entered adalah variabel Karakteristik dan Pengetahuan. Tidak ada variabel independent
yang dikeluarkan removed. Metode yang dipilih adalah metode enter.
Universitas Sumatera Utara
68
Tabel 4.14 Hasil Regresi Linier Berganda
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
1,610 2,868
,561 ,579
KARAKTERISTIK ,424
,191 ,422
2,225 ,034
PENGETAHUAN ,530
,249 ,405
2,132 ,041
a. Dependent Variable: KEBERHASILANUSAHA Sumber: Hasil Pengolahan Data Primer Kuesioner, SPSS for Windows, 2016
Tabel 4.14 menunjukkan bahwa pada kolom unstandardized coefficients diperoleh persamaan regresi linier berganda sebagai berikut:
Y = 1.160 + 0.424X
1
+ 0.530X
2
+ e Persamaan regresi linier berganda dapat diuraikan sebagai berikut:
a. Konstanta sebesar 1.160, artinya apabila variabel Karakteristik dan
Pengetahuan dianggap konstan, maka tingkat Keberhasilan Usaha pedagang bakso di Kecamatan Medan Johor sebesar 1.160.
b. Variabel Karakteristik mempunyai pengaruh yang positif terhadap
Keberhasilan Usaha pedagang bakso di Kecamatan Medan Johor dengan koefisien menunjukkan sebesar 0.424 yang berarti apabila Keberhasilan
Usaha meningkat sebesar 1 satuan dengan menganggap faktor lain tetap maka akan dapat meningkatkan Keberhasilan Usaha pedagang bakso di
Kecamatan Medan Johor meningkat sebesar 0,424. c.
Variabel Pengetahuan mempunyai pengaruh yang positif terhadap Keberhasilan Usaha pedagang bakso di Kecamatan Medan Johor dengan
Universitas Sumatera Utara
69
koefisien menunjukkan sebesar 0.530 yang berarti apabila Keberhasilan Usaha meningkat sebesar 1 satuan dengan menganggap faktor lain tetap
maka akan dapat meningkatkan Keberhasilan Usaha pedagang bakso di Kecamatan Medan Johor sebesar 0,530.
Dari variabel-variabel tersebut penentuan variabel dominan dilakukan dengan menggunakan tabel print out coefficient dari data dengan menggunakan
bantuan program SPSS Statistican Product and Service Solution for windows dengan memakai metode enter yang digunakan untuk melihat faktor mana yang
paling dominan dalam Keberhasilan Usaha pedagang bakso di Kecamatan Medan Johor. Dengan asumsi: apabila nilai standarized coefficient variabel bebas
memiliki nilai tertinggi tingkat probabilitas yang paling signifikan, dan juga nilai signifikansi terkecil diantara variabel bebas lainnya. Kesimpulannya adalah kedua
variabel bebas tersebut dominan berpengaruh terhadap variabel terikat. Berdasarkan tabel tersebut, dapat diperoleh nilai standarized coefficient
variabel Karakteristik X
1
sebesar 0.424yang merupakan variabel bebas dengan nilai standarized coefficient terkecil dan variabel yang memiliki nilai signifikansi
terbesar adalah variabel PengetahuanX
2
dengan nilai sebesar 0.530. Hal ini menunjukkan bahwa variabel Pengetahuan X
2
merupakan variabel atau faktor yang dominan dalam mendorong Keberhasilan Usaha pedagang bakso di
Kecamatan Medan Johor.
Universitas Sumatera Utara
70
4.6 Uji Hipotesis
