K = 1 + 3.3 log n Keterangan:
K = jumlah kelas interval
n = jumlah data observasi
Sugiyono, 2010:35 Perhitungan rentang data dengan menggunakan rumus:
Rentang data = nilai maksimal
– nilai minimal + 1 Perhitungan panjang kelas dengan menggunakan rumus:
Panjang Kelas = rentang data jumlah kelas Sugiyono, 2010:35
Langkah selanjutnya adalah melakukan pengkategorikan terhadap nilai masing-masing indikator. Dari nilai tersebut dibagi menjadi 5 kategori
berdasarkan mean ideal Mi dan standar deviasi ideal Si. Rumus untuk mencari mean ideal Mi dan standar deviasi ideal Si adalah sebagai
berikut: Mean Ideal Mi
= ⁄ nilai maksimal + nilai minimal
Standar Deviasi Ideal Si = ⁄ nilai maksimal – nilai minimal
sedangkan untuk mencari kategori indikator sebagai berikut: Tabel 7. Kategori Indikator Variabel
Kriteria Interval
Sangat Tinggi Mi + 1,5 Si X ≤ Mi + 3,0 Si
Tinggi Mi + 0,5 Si X ≤ Mi + 1,5 Si
Sedang Mi
– 0,5 Si X ≤ Mi + 0,5 Si Rendah
Mi – 1,5 Si X ≤ Mi – 0,5 Si
Sangat Rendah Mi
– 3,0 Si X ≤ Mi – 1,5 Si
Sumber: Sugiyono 2012
2. Uji Prasyarat Analisis
Sebelum melakukan analisis lebih mendalam, terlebih dahulu
dilakukan uji prasyarat analisis. Uji prasyarat analisis terdiri dari:
a. Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah data dalam model regresi berdistribusi normal atau tidak normal Ghozali, 2011:
160. Model regresi yang baik adalah memiliki distribusi normal. Pengujian normalitas data dilakukan dengan uji Kolmogorov-Smirnov.
Uji normalitas dapat dicari dengan rumus:
2 1
2 1
36 ,
1 n
n n
n KS
Keterangan: KS
: Harga Kolmogorov-Smirnov n1
: Jumlah sampel yang diperoleh n2
: Jumlah sampel yang diharapkan Ghozali, 2011: 160
Jika angka signifikansi Kolmorogov-Smirnov Sig 0,05 maka menunjukkan bahwa data berdistribusi normal, sebaliknya jika angka
signifikansi Kolmorogov-Smirnov Sig 0,05 maka menunjukkan bahwa data tidak berdistribusi normal.
b. Uji Linieritas
Uji linieritas dilakukan untuk mengetahui apakah spesifikasi model yang digunakan sudah benar atau tidak. Apakah fungsi yang digunakan
sebaiknya berbentuk linear, kaudrat atau kubik Ghozhali, 2011: 166. Kriteria yang diterapkan untuk menyatakan kelinearan adalah nilai F
yang dapat dihitung dengan rumus:
reg reg
res
Keterangan: F
reg
: Harga bilangan F untuk regresi Rk
reg
: Rerata kuadrat garis regresi Rk
res
: Rerata kuadrat garis residu Sutrisno, 2004: 13
Harga F dihitung kemudian dibandingkan dengan F tabel. Apabila harga F hitung lebih kecil atau sama dengan F tabel maka hubungan
variabel bebas X dengan variabel terikat Y dinyatakan linier.
c. Uji Asumsi Klasik
Uji asumsi
klasik dalam
penelitian ini
mencakup uji
multikolinearitas dan uji heteroskedastisitas. Uji asumsi klasik tersebut secara lebih jelas diuraikan sebagai berikut:
1 Uji Multikolinearitas
Uji multikolinieritas bertujuan untuk menguji apakah dalam persamaan regresi ditemukan adanya korelasi antar variabel bebas
independence. Jika nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1 maka model
dapat dikatakan terbebas dari multikolinearitas Ghozali, 2011: 108. Ada tidaknya dapat dideteksi dengan menggunakan Pearson
Correlation, dilihat dari besarnya Tolerance Value dan Variance Inflantion Factor yang dapat dicari dengan rumus:
1 Tolerance alue
Imam Ghozali, 2011: 106
2 Uji Heteroskedastisitas
Heteroskedastisitas adalah situasi tidak konstannya varian. Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jika varian dari residual satu pengamatan ke
pengamatan lain tetap maka disebut homokedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi yang baik
adalah yang bersifat homokedastisitas. Untuk pengujian digunakan uji Glejser. Uji Glejser dilakukan untuk meregresi nilai absolut
residual terhadap variabel bebas. Kriteria pengambilan keputusan adalah signifikansi dari variabel bebas lebih besar dari 0,05 maka
tidak terjadi heteroskedastisitas Ghozali, 2011 :143
3. Uji Hipotesis
