BAB IV
HASIL DAN PEMBAHASAN
4.1. Pendahuluan
Setelah bahan tersedia yaitu berupa data dan telah diketahui metode yang akan digunakan maka tindakan selanjutnya adalah melakukan pengolahan data tersebut
dengan metode yang telah ada. Kemudian hasil pengolahan data tersebut dianalisis sehingga dapat dibuat suatu kesimpulan yang berarti.
Bab ini menyajikan hasil penelitian yang diambil dari database mahasiswa yang diwisuda pada periode I, II Tahun 2010 dan periode II Tahun 2011 di Sekolah
Tinggi Teknik Harapan STTH Medan. Data bersifat nominal yang terdiri dari rata- rata nilai UN, IP Komulatif IP Semester 1, 2 dan 3, jumlah sks mata kuliah yang
diambil pada semester 4, dan pendidikan orang tua. Dari data yang sudah diperoleh dilakukan uji asumsi klasik dengan
menggunakan program dan pengolahan data SPSS Statistical Package for the Social Sciences. Selanjutnya dilakukan perancangan aplikasi penentu keterhubungan antara
data mahasiswa dan masa studi dengan algoritma regresi linier berganda menggunakan bahasa pemograman C++
4.2. Hasil Percobaan
4.2.1. Uji Asumsi Klasik
Pengujian jenis ini digunakan untuk menguji asumsi, apakah model regresi yang digunakan dalam penelitian ini memenuhi asumsi klasik layak uji atau tidak. Uji
asumsi klasik digunakan untuk memastikan bahwa multikorelasi, autokorelasi, dan heteroskedastisitas tidak terdapat dalam model yang digunakan dan data yang
digunakan terdistribusi normal. Jika semua itu terpenuhi bahwa model analisis telah layak digunakan Gujarati, 2003.
Universitas Sumatera Utara
•
Multikolinieritas
Uji multikolinieritas bertujuan untuk menunjukkan apakah terdapat hubungan korelasi yang sempurna atau mendekati sempurna antar variabel bebas yang
terdapat dalam model, yaitu koefisien korelasinya tinggi atau bahkan satu Algifari, 2000.
Untuk mengetahui ada atau tidaknya gejala multikolinieritas dilakukan dengan melihat harga VIF Variance Inflation Factor melalui aplikasi perangkat
lunak SPSS Versi 18.00. Apabila nilai tolerance- nya diatas 0,1 dan VIF dibawah 10, maka model regresi bebas dari multikolinieritas Ghozali, 2002.
Tabel 4.1. Collinearity Statistic
Model Collinearity Statistics
Tolerance VIF
1 Constant
IP_Komulatif 0,431
2,319 Rata_Rata_Nilai_UN
0,611 1,636
Jumlah_SKS_Sem_IV 0,595
1,680 Pendidikan_Orangtua
0,969 1,032
Berdasarkan tabel 4.1. diatas dapat diketahui bahwa nilai VIF untuk rata-rata nilai UN adalah 1,636. Nilai VIF untuk IP Komulatif IP Semester 1, 2 dan 3 adalah
2,319. Nilai VIF untuk jumlah sks mata kuliah yang diambil pada semester 4 adalah 1,680. Nilai VIF untuk pendidikan orang tua adalah 1,032. Demikian juga untuk
nilai tolerance pada masing-masing variabel berkisar antara angka 1 dimana untuk rata-rata nilai UN adalah 0,611, untuk IP Komulatif IP Semester 1, 2 dan 3 adalah
0,431, untuk jumlah sks mata kuliah yang diambil pada semester 4 adalah 0,595 dan untuk pendidikan orang tua adalah 0,969. Dengan demikian dapat disimpulkan
bahwa model regresi tidak mengalami gangguan multikolineritas. •
Autokorelasi
Autokorelasi menunjukkan hubungan antara nilai-nilai yang beurutan dari variabel yang sama. Konsekuensi dari adanya autokorelasi terhadap penaksiran regresi adalah
Universitas Sumatera Utara
varians sampel tidak dapat menggambarkan varians populasinya dan lebih jauh lagi, model regresi yang dihasilkan tidak dapat digunakan untuk menaksir nilai variabel
dependen pada nilai variabel independen tertentu Algifari, 2000. Pengujian autokorelasi dilakukan menggunakan uji Durbin-Watson satu sisi. Data tidak akan
terjadi autokorelasi jika memenuhi syarat dari D-W. Untuk mengetahui ada atau tidaknya autokorelasi, dapat dilakukan uji “Durbin Watson” dengan ketentuan
sebagai berikut Algifari, 2000 : •
D-W 1,08 = terdapat autokorelasi •
1,08 ≤ D-W ≤ 1,66 = tanpa kesimpulan
• 1,66
≤ D-W ≤ 2,34 = tidak terdapat autokorelasi •
2,34 ≤ D-W ≤ 2,92 = tanpa kesimpulan
• D-W 2,92 = terdapat autokorelasi
Untuk mengetahui ada atau tidaknya gejala autokorelasi dilakukan dengan melihat nilai Durbin-Watson melalui SPSS.
Tabel 4.2. Model Summary
Model
b
Durbin- Watson
1 1,936
Berdasarkan tabel 4.2. diatas dapat dilihat bahwa nilai Durbin Watson adalah sebesar 1,936. Hal tersebut menunjukan bahwa tidak terdapat autokorelasi karena
memiliki nilai Durbin Watson diantara 1,66 dan 2,34. •
Heteroskedastisitas
Untuk uji heterokedastisitas cara yang sering digunakan dalam menentukan apakah suatu model terbebas dari masalah heterokedastisitas atau tidak hanya dengan
melihat pada scatter plot dan dilihat apakah residual memiliki pola tertentu atau tidak. Cara ini menjadi fatal karena pengambilan keputusan apakah suatu model
terbebas dari masalah heterokedastisitas atau tidak hanya berpatok pada pengamatan gambar saja tidak dapat dipertanggungjawabkan kebenarannya. Banyak metode
Universitas Sumatera Utara
statistika yang digunakan untuk menentukan apakah suatu model terbebas dari masalah heterokedastisitas atau tidak, seperti misalnya Uji White, Uji Park, Uji
Glejser dan lain-lain. Bila variabel penjelas secara statistik signifikan mempengaruhi residual maka
dapat dipastikan model ini memiliki masalah heterokedastisitas. Dalam tesis ini akan dilakukan Uji Glejser dengan menggunakan SPSS untuk mengetahui apakah terjadi
gejala heterokedastisitas atau tidak.
Tabel 4.3. Koefisien
Berdasarkan tabel 4.3. diatas diketahui bahwa nilai t-statistik dari seluruh variabel penjelas tidak ada yang signifikan secara statistik, sehingga dapat
disimpulkan bahwa model ini tidak mengalami masalah heterokedastisitas.
4.2.2. Analisis Regresi Linier Berganda dengan Bahasa Pemograman C++
Kategori