7. Waktu Kerja (X 6 )
3.8 Analisis Data
3.8.4 Analisis Faktor-Faktor Yang Mempengaruhi Jumlah Kunjungan ke Objek Wisata Telaga Ngebel
Penelitian ini dilakukan dengan uji normalitas, uji heteroskedastisitas, uji multikolinearitas, uji autokorelasi, analisis regresi linier berganda, analisis koefisien determinasi, uji simultan (uji F) dan uji parsial (uji t). Hal ini dilakukan untuk mengetahui pengaruh variabel independen terhadap variabel dependen.
Variabel independen yaitu biaya perjalanan, pendapatan, umur, pendidikan
terakhir, jarak dan waktu kerja sedangkan variabel dependen yaitu jumlah kunjungan ke objek wisata Telaga Ngebel.
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2011).
Menurut Priyatno (2016), uji normalitas digunakan untuk menguji apakah nilai residual yang dihasilkan dari model regresi terdistribusi secara normal atau tidak. Jadi dalam hal ini yang di uji normalitas bukan masing-masing variabel independen dan dependen tetapi nilai residual yang dihasilkan dari model regresi. Model regresi yang baik adalah model regresi yang terdistribusi secara normal. Ada dua cara yang biasa digunakan untuk menguji normalitas pada model regresi yaitu dengan analisis grafik (histogram dan normal P-P plot) dan uji kolmogrov-smirnov.
b. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika varian dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homokedastisitas dan jika berbeda maka disebut heterokedastisitas. Model regresi yang baik adalah yang homokedastisitas atau tidak terjadi heterokedastisitas (Ghozali, 2011).
Pengujian heterokedastisitas dimaksudkan untuk mengetahui variasi residual absolut sama atau tidak sama untuk semua pengamatan. Apabila asumsi tidak heterokedastisitas ini tidak terpenuhi, maka penaksir menjadi tidak lagi efisien baik dalam sampel kecil maupun besar (Sudarmanto, 2005).
c. Uji Multikolinearitas
Uji asumsi tentang multikolinearitas dimaksudkan untuk membuktikan atau menguji ada tidaknya hubungan yang linear antara variabel dependen dengan variabel independen. Dalam analisis regresi linier ganda, akan terdapat dua atau lebih variabel independen yang diduga akan mempengaruhi variabel bergantungnya. Pendugaan tersebut akan dapat dipertanggungjawabkan apabila tidak terjadi adanya hubungan yang linear (multikolinearitas) diantara variabel-variabel independen (Sudarmanto, 2005).
Menurut Ghozali (2011), uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Metode yang dapat digunakan untuk menguji terjadinya multikolinieritas dapat dilihat dari matrik korelasi variabel-variabel bebas. Pada matrik korelasi, jika antar variabel bebas terdapat korelasi yang cukup tinggi (umumnya di atas 0,90), maka hal ini merupakan indikasi adanya multikolinieritas. Selain itu dapat juga dilihat nilai tolerance dan variance inflation factor (VIF). Batas dari nilai tolerance adalah <0,10 atau sama dengan nilai VIF
adalah >10.
d. Uji Autokorelasi
Uji autokolerasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya (Ghozali, 2011).
Uji autokorelasi bertujuan untuk mengetahui apakah data korelasi antara anggota serangkaian data observasi yang diuraikan menurut waktu (time series) atau ruang (cross section). Adapun penyebab munculnya masalah autokorelasi
dalam analisis regresi adalah karena adanya kelembaman, fenomena laba-laba, maipulasi data dan kelembanan waktu. Pengujian autokorelasi menggunakan uji durbin watson, yang sangat populer untuk menguji ada atau tidaknya masalah autokorelasi dari model empiris yang diestimasi (Suliyanto, 2011).
Menurut Suliyanto (2011), kriteria pengujian autokorelasi dengan uji Durbin Watson adalah sebagai berikut :
Tabel 2. Kriteria Pengujian Autokorelai dengan Uji Durbin-Watson
DW Kesimpulan
< dL Ada autokorelasi (+)
dL s.d dU Tanpa kesimpulan
dU s.s 4-dU Tidak ada autokorelasi 4-dU s.d 4-dL Tanpa kesimpulan
> 4-dL Ada autokorelasi (-)
e. Analisis Regresi Linier Berganda
Analisis regresi linier berganda digunakan untuk mengetahui pengaruh antara dua variabel atau lebih variabel independen dengan satu variabel dependen yang ditampilkan dalam bentuk persamaaan regresi (Priyatno, 2016).
Menurut Ghozali (2011), analisis regresi digunakan untuk mengukur kekuatan hubungan antara dua variabel atau lebih, juga menunjukan arah hubungan antara variabel dependen dengan independen. Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel independen (X) dengan dengan variabel dependen (Y). Analisis ini untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan dan untuk mengetahui arah hubungan,antara variabel independen dengan variabel dependen apakah masing-masing variabel independen berhubungan positif atau negatif. Penelitian ini menggunakan spesialisasi model sebagai berikut :
Y = a + b1x1 + b2x2 + b3x3 + b4x4+b5x5+ b6x6 + e dimana :
Y = variabel terikat ( jumlah kunjungan ke objek wisata Telaga Ngebel) a = konstanta
b = koefisien variabel bebas x1 = biaya perjalanan
x2 = pendapatan
x3 = pendidikan terakhir x4 = umur
x5 = jarak x6= waktu kerja e = standar error
f. Analisis Koefisien Determinasi
Analisis koefisien determinasi digunakan untuk mengetahui prosentase sumbangan pengaruh variabel independen secara bersama-sama terhadap variabel dependen (Priyatno, 2016).
Koefisien determinasi digunakan untuk mengetahui seberapa bagus model yang digunakan untuk menerangkan variasi dari variabel dependen.
Koefisien determinasi mempunyai rentan nilai antara nol sampai dengan satu.
Semakin tinggi nilai koefisien determinasi (mendekati satu), maka variabel-variabel independen yang digunakan dapat dikatakan mampu memberikan hampir seluruh informasi yang dibutuhkan dalam memprediksi variasi dari variabel dependen. Kelemahan mendasar penggunaan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap tambahan satu variabel independen, maka R2 pasti meningkat tidak peduli apakah variabel tersebut berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak peneliti menganjurkan untuk
menggunakan nilai adjusted R2 pada saat mengevaluasi mana model regresi terbaik. Tidak seperti R2, nilai adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan ke dalam model (Ghozali, 2011).
g. Uji F (Simultan)
Menurut Ghozali (2011), uji statistik F pada dasarnya menunjukkan apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat. Untuk menguji kedua hipotesis ini digunakan uji statistik F:
a. Quick look : bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat kepercayaan 5%, dengan kata lain kita menerima hipotesis alternatif,yang menyatakan bahwa semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen.
b. Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Bila nilai F hitung lebih besar daripada nilai F tabel maka H0 ditolak dan H1 diterima.
h. Uji t (Parsial)
Menurut Ghozali (2011), uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variabel dependen. Pengujian dilakukan dengan menggunakan signifikan level 0,05 (α=5%). Penerimaan atau penolakan hipotesis dilakukan dengan kriteria:
1. Jika nilai signifikan > 0,05 maka hipotesis ditolak (koefisien regresi tidak signifikan). Ini berarti secara parsial variabel independen tidak mempunyai pengaruh secara signifikan terhadap variabel dependen.
2. Jika nilai signifikan < 0,05 maka hipotesis diterima (koefisien regresi signifikan). Ini berarti secara parsial variabel independen tersebut mempunyai pengaruh yang signifikan terhadap variabel dependen.