Definisi Operasional Variabel Metode Pengumpulan Data Metode Analisis Data .1

3.3 Definisi Operasional Variabel

Variabel yang digunakan penulis dalam penelitian ini adalah sebagai berikut: 1. Variabel Independen Bebas Variabel independen merupakan variabel yang mempengaruhi variabel yang lain Umar: 2003:50. Variabel independen bebas yang digunakan dalam penelitian ini adalah lancar, kurang lancar, diragukan dan macet. Variabel independen disimbolkan dengan “X 1 ” lancar, “X 2 ” kurang lancar, “X 3 ” diragukan, “X 4 ” macet. 2. Variabel Dependen Terikat Variabel dependen merupakan variabel yang dijelaskan atau yang dipengaruhi oleh variabel independen Umar, 2003:50. Variabel dependen dalam penelitian ini adalah beban operasional PTPN II sebagai induk dari unit PKBL, dimana variabel dependen disimbolkan dengan “Y”. 3. Indikator Indikator adalah variabel untuk mengevaluasi keadaan atau status dan memungkinkan dilakukannya pengukuran terhadap perubahan- perubahan yang terjadi dari waktu ke waktu.

3.4 Metode Pengumpulan Data

Teknik wawancara, yaitu dengan melakukan tanya jawab secara langsung dengan pihak-pihak yang berkait dengan evaluasi kinerja program Universitas Sumatera Utara kemitraan dan bina lingkungan PKBL PT. Perkebunan Nusantara II Persero Medan 3.5 Metode Analisis Data 3.5.1 Pengujian Asumsi Klasik Metode analisis data yang digunakan dalam penelitian ini adalah metode analisis statistik dengan menggunakan program software SPSS. Peneliti melakukan uji asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis dengan alasan data penelitian yang digunakan dalam penelitian sering bersifat bias dan tidak efisien. Untuk memperoleh nilai yang tidak bias dan efisien dari model persamaan linear maka haruslah memenuhi asumsi klasik yang mendasari model linear. Setelah data memenuhi asumsi klasik maka data layak dianalisis lebih lanjut untuk pengujian hipotesis dengan analisis pengujian linear. Pengujian asumsi klasik yang dilakukan terdiri atas uji normalitas, uji multikolinearitas, uji heteroskedasitas, dan uji autokorelasi. Menurut Ghozali 2005:123 asumsi klasik yang harus dipenuhi yaitu: a Berdistribusi normal, b Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna atau mendekati sempurna, c Non-autokorelasi, artinya kesalahan penganggu dalam model regresi tidak saling berkorelasi. d Homoskedasitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama. Universitas Sumatera Utara

3.5.1.1 Uji Normalitas

Tujuan uji normalitas adalah ingin mengetahui apakah dalam model regresi variabel pengganggu atau residul memiliki distribusi normal. Uji normalitas bertujuan untuk menguji apakah dalam model regresi normal”. Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Kalau nilai residual tidak mengetahui distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil Ghozali, 2005. Cara yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak adalah dengan desain grafik. Jika data menyebar disekitar garis diagonal atau mengikuti arah garis diagonal, atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas, demikian sebaliknya. Selain itu, dapat digunakan uji statistik Kolmogorov-Smirnov K-S, yang dijelaskan oleh Gozhali 2005. Bila nilai signifikan α 0.05 berarti distribusi data tidak normal. Sebaliknya bila nilai signifikan α 0.05 berarti distribusi data normal. Dasar pengambilan keputusan dalam uji normalitas menurut Ghozali 2005 sebagai berikut: a Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histrogramnya Universitas Sumatera Utara menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas. b Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histrogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.

3.5.1.2 Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen Ghozali, 2005. Pengujian multikolinearitas dilakukan dengan melihat 1 nilai tolerance dan lawannya 2 VIF variance inflation factor. Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolineritas adalah nilai tolerance 0,10 atau sama dengan nilai VIF 10. Menurut Gozhali, 2005 cara yang didapat dilakukan jika terjadi multikolinearitas yaitu: 1. Mengeluarkan satu atau lebih variabel independen yang mempunyai korelasi tinggi dari model regresi dan identifikasi variabel independen lainnya untuk membantu prediksi, 2. Menggabungkan data cross section dan time series pooling data, 3. Menambah data penelititian

3.5.1.3 Uji Heteroskedasitas

Uji heteroskedasitas dijelaskan oleh Ghozali, 2005 sebagai berikut: Uji heteroskedasitas bertujuan menguji Universitas Sumatera Utara apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedasitas dan jika berbeda disebut heteroskedasitas. Model regresi yang baik adalah yang homoskedasitas atau tidak terjadi heteroskedasitas. Kebanyakan data cross section mengandung situasi heteroskedasitas karena data ini menghimpun data yang mewakili berbagai ukuran kecil, sedang, dan besar. Untuk mendeteksi ada tidaknya heteroskedasitas, menurut Ghozali, 2005 dapat dilihat dari grafik scatterplot antara nilai prediksi variabel dependen yaitu ZPRED dengan residulnya SRESID. Jika ada pola tertentu seperti titik-titik yang ada membentuk pola tertentu yang teratur, maka telah terjadi heteroskedasitas. Sebaliknya jika tidak ada pola yang jelas, serta titik-titik menyebar maka tidak tejadi heteroskedasitas.

3.5.1.4 Uji Autokorelasi

Menurut Ghozali, 2005 “Uji autokorelasi bertujuan menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t-1 sebelumnya”. Autokorelasi ini mencul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Universitas Sumatera Utara Masalah ini timbul karena residual kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtun waktu time series karena “gangguan” pada seseorang individu atau kelompok cenderung mempengaruhi “gangguan” pada individu atau kelompok yang sama pada periode berikutnya. Penggunaan program sofware SPSS bertujuan untuk mendeteksi apakah ada problem autokorelasi adalah dengan melihat besaran DURBIN-WATSON, adapun kriteria pengujiannya yaitu: a. Jika nilai D-W dibawah 0 sampai 1,5 berarti ada Autokorelasi positif. b. Jika nilai D-W diantara 1,5 sampai 2,5 berarti tidak ada Autokorelasi c. Jika nilai D-W diantara 1,5 sampai 4 berarti ada Autokorelasi negatif. 3.6 Pengujian Hipotesis Penelitian 3.6.1 Analisis Regresi Berganda