54
nilai rata-rata hitung atau nilai rata-rata variabel tidak bebas atas dasar nilai tetap variabel yang menjelaskan diketahui Damodar Gujarati, 2003.
Untuk membantu penelitian, peneliti akan menggunakan software
pengolah data statistik, SPSS for Windows version 22.0. SPSS merupakan
software yang berfungsi untuk menganalisis data, melakukan perhitungan statistik baik untuk statistik parametrik maupun non-parametrik. Berikut
adalah metode yang digunakan dalam menganalisis data dalam penelitian ini:
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskriptif suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, varian,
maksimum, minimum, sum, range dan skewness Ghozali, 2013.
2. Uji Asumsi Klasik
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi datanya terdistribusi normal atau tidak, model
regresi yang baik jika distribusi datanya mengikuti distribusi normal atau mendekati normal. Ada berbagai cara untuk
mengetahui atau mendeteksi apakah data berdistribusi normal atau tidak salah satunya dengan cara analisis grafik yaitu grafik
histogram dan P-Plot. Cara lain untuk melihat apakah data
terdistribusi dengan normap atau tidak dengan cara analisis satistik yaitu uji Kolmogorov-Smirnov. Dalam penelitian ini, uji
55
normalitas dilakukan dengan menggunakan analisis grafik dan analisis statistik.
Pengujian normalitas
menggunakan analisis
grafik dilakukan
dengan menggunakan
histogram dengan
menggambarkan variabel dependen sebagai sumbu vertikal sedangkan nilai residual terstandarisasi digambarkan sebagai
sumbu horizontal. Jika Histogram Standardized Regression
Residual membentuk kurva seperti lonceng maka nilai residual tersebut dinyatakan normal. Cara lain untuk menguji normalitas
dengan pendekatan
grafik adalah
menggunakan Normal
Probability P-Plot, yaitu dengan membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari
distribusi normal. Distribusi normal digambarkan dengan sebuah garis diagonal lurus dari kiri bawah ke kanan atas Suliyanto,
2011:69. Selain itu untuk menguji normalitas menggunakan uji
statistik dengan uji Kolmogorov-Smirnov, yaitu dari tabel One-
Sample Kolmogorov-Smirnov Test diperoleh angka probabilitas atau Asym. Sig.
2-tailed. Nilai ini dibandingkan dengan 0,05 untuk pengambilan keputusan dengan pedoman Ghozali, 2013:
1. Nilai Sig. atau signifikansi atau nilai probabilitas 0,05, maka
dapat ditarik kesimpulan bahwa data tidak terdistribusi secara normal.
56
2. Nilai Sig. atau signifikansi atau probabilitas 0,05, maka dapat
ditarik kesimpulan bahwa data terdistribusi secara normal.
b. Uji Multikolinearitas
Uji multikolinearitas bertujuan unutuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan dengan
variabel independen lainnya dalam suatu model regresi, atau untuk mengetahui ada tidaknya korelasi diantara sesama variabel
independen. Uji
multikolinearitas dilakukan
dengan membandingkan nilai toleransi
tolerance value dan nilai VIF variance inflation factor dengan nilai yang disyaratkan. Nilai
yang disyaratkan bagi nilai toleransi adalah lebih besar dari 0,01 dan untuk nilai VIF kurang dari 10 Ghozali: 2006
c. Uji Heteroskedastisitas
Uji heteroskedastisitas digunakan untuk melihat apakah dalam sebuh model regresi terjadi ketidaksamaan varians dari
residual pada suatu pengamatan ke pengamatan lain. Jika varians dari residual suatu pengamatan ke pengamatan lain tetap, maka
disebut homokedastisitas. Jika varians berbeda, maka disebut heteroskedastisitas. Kebanyakan data
cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data yang
mewakili berbagai
ukuran kecil,
sedang dan
besar Ghozali:2013. Dalam penelitian ini uji heteroskedastisitas
dilakukan dengan metode spearman’s rho.
57
Metode uji heteroskedastisitas dengan korelasi Spearman;s
rho yaitu mengkorelasikan variabel independen dengan nilai unstandardized residual Duwi Priyanto: 2013. Pengujian
menggunakan tingkat signifikan 0,05 dengan uji 2 sisi. Jika korelasi antar variabel independen dengan residual di dapat
signifikan lebih dari 0,05 maka dapat dikatakan bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam modal regresi linear ada korelasi antara kesalahan pengganggu
residual pada periode t dengan kesalahan penganggu pada periode t-1 sebelumnya. Jika terjadi korelasi maka dinamakan ada
problem autokorelasi. Model regresi yang baik adalah regresi bebas dari autokorelasi. Untuk mendeteksi autokorelasi dapat dilakukan
uji statistik melalui Uji Durbin-Watson dan Run Test Imam
Ghozali, 2012:111. 1
Uji Durbin-Watson DW test Uji Durbin-Watson hanya digunakan untuk autokorelasi
tingkat satu first order autocorrelation dan mensyaratkan
adanya intercept konstanta dalam model regresi dan tidak ada
variabel lag di antara variabel indepeden. Hipotesis yang akan diuji adalah:
58
Ho : tidak ada autokorelasi r = 0 Ha : ada autokorelas
i r ≠ 0
Tabel 3. 2 Kriteria Pengujian Autokorelasi dengan Uji Durbin- Watson
Indikator Keputusan
Jika
Tidak ada autokorelasi positif Tolak
0ddl Tidak ada autokorelasi positif
No decision dl ddu
Tidak ada autokorelasi negatif Tolak
4-dld4 Tidak ada autokorelasi negatif
No decision 4-du d4-dl
Tidak ada autokorelasi, positif atau negatif
Tidak ditolak
dud4-du
Sumber: Buku Ghozali 2013 2
Mendeteksi Autokorelasi dengan Run Test Run test sebagai bagian dari statistik non-parametrik
dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat
hubungan korelasi maka dikatakan bahwa residual adalah acak atau random. Run test digunakan untuk melihat data residual
terjadi secara random atau tidak sistematis. H0 : residual res_1 random acak
Ha : residual res_1 tidak random Menurut Imam Ghozali 2012:121, jika pada model regresi terjadi
autokorelasi, maka ada beberapa opsi penyelesaiannya antara lain: 1
Tentukan apakah autokorelasi yang terjadi merupakan pure autocorrelation dan bukan karena kesalahan spesifikasi model
59
regresi. Pola residual dapat terjadi karena adanya kesalahan spesifikasi model yaitu ada variabel penting yang tidak
dimasukkan kedalam model atau dapat juga karena bentuk fungsi
persamaan regresi tidak benar.
2 Jika yang terjadi adalah pure autocorrelation, maka solusi
autokorelasi adalah dengan mentranformasi model awal menjadi model
difference. Misalkan model regresi dengan dua variabel sebagai berikut:
Yt = β1 + β2Xt + μt
Dan diasumsikan bahwa residual atau error mengikuti
autoregressive AR1 sebagai berikut: μt = ρμt – 1 + εt -1 ρ 1
Asumsi ρ tidak diketahui nilainya Nilai ρ diestimasi berdasarkan Durbin-Watson d statistic Secara
sederhana nilai ρ dapat diestimasi dengan menggunakan d statistik
dengan rumus seperti di bawah ini:
Keterangan: d = durbin-watson Pada kasus dengan jumlah sampel kecil, Theil dan Nagar
mengajukan rumus untuk menghitung nilai ρ sebagai berikut:
60
Keterangan: n = jumlah observasi; k = jumlah variabel bebas
3. Analisis Regresi Linier Berganda