METODE PENELITIAN 3.1. Definisi Operasional dan Pengukuran Variabel
B. Uji Asumsi Klasik
Pengujian asumsi klasik dilakukan agar memperoleh hasil regresi yang bisa
dipertanggungjawabkan dan mempunyai hasil yang tidak bias atau disebut Best Linier Unbiaxed Estimator (BLUE). Dari pengujian tersebut asumsi-asumsi yang harus dipenuhi adalah tidak terdapat korelasi yang erat antara variabel independen
(multikolinearitas), tidak terdapat korelasi residual periode t dengan t -1.
B.1. Uji Normalitas
Uji asumsi klasik ini bertujuan untuk mengetahui apakah dalam
model regresi, variabel dependen dan independen keduanya memiliki
distibusi normal atau tidak. Model regresi yang baik memiliki distribusi data
yang normal atau mendekati normal (Ghozali, 2007) Asumsi normalitas
dianggap terpenuhi bila data yang digunakan cukup besar (N>30). Untuk
menguji normalitas dapat digunakan Scatterplot diagram (test statistic). Pendekatan dalam pengujian kenormalitasan residual dapat dibentuk melalui
Menurut Ghozali (2005), normalitas dapat dideteksi dengan melihat
penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat
histogram dari residu. Adapun dasar pengambilan keputusan:
1) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogram menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi normalitas.
2) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti
garis diagonal atau grafik histogram tidak menunjukkan pola distribusi
normal maka model regresi tidak memenuhi asumsi normalitas.
Secara statistik uji normalitas juga dapat dilakukan dengan
menggunakan one sample kolmogorov-Smirnov test. Jika nilai sig (2-tailed) lebih besar dari tingkat signifikan (0,05), maka mengindikasikan variabel
independen terdistribusi normal. Selain itu,uji normalitas dapat juga dilihat
melaui grafik histogram dan grafik normal plot.
B.2. Uji Heteroskedastisitas
Menurut Erlina (2008:106), “uji ini bertujuan untuk melihat apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain.” Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedastisitas. Sebaliknya jika varians berbeda, maka disebut heteroskedastisitas. Model regresi yang
baik adalah tidak terjadi heteroskedastisitas.
Untuk melihat ada tidaknya heteroskedastisitas dilakukan dengan
residualnya. Deteksi ada tidaknya heterokedastisitas dilakukan dengan
melihat ada tidaknya pola tertentu pada grafik scatterplot dengan dasar analisis:
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola
tertentu yang teratur (bergelombang, melebar kemudian menyempit),
maka mengindikasikan telah terjadi heteroskedastisitas.
2) jika tidak ada pola yang jelas, seperti titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas (Ghozali,
2005:105).
B.3. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka
dikatakan ada problemautokorelasi. Autokorelasi muncul karena observasi
yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini
timbul karena residual (kesalahan pengganggu) tidak bebas dari satu
observasi ke observasi yang lain.
Untuk mendeteksi ada atau tidaknya autokorelasi digunakan uji
Durbin Watson Test (DW Test) sebagai pengujinya dengan taraf signifikansi (α) = 5%. Dasar pengambilan keputusan ada atau tidaknya autokorelasi dari Prof. Singgih sebagai berikut :
a) Angka D-W dibawah -2 berarti ada autokorelasi positif,
c) Angka D-W di atas +2 berarti ada autokorelasi negatif.
B.4. Uji Multikolinieritas
Multikoliniearitas diartikan sebagai hubungan linier yang sempurna
antara beberapa atau semua variabel bebas. Tujuan dilakukan pengujian
multikoliniearitas adalah mengetahui apakah dalam model regresi ditemukan
adanya korelasi antar variabel bebas (independen). Model regresi yang baik
seharusnya tidak terjadi korelasi diantara variabel independen. Apabila
variabel bebas saling berkorelasi, maka variabel ini tidak ortogonal. Variabel
ortogonal adalah variabel independen yang nilai korelasi antar sesama
variabel = 0.
Menurut Sudarmanto (2013 : 225) untuk mendeteksi ada tidaknya
multikoliniearitas dalam suatu model regresi adalah sebagai berikut :
1. Adanya perubahan yang kecil pada data yang mengakibatkan perubahan
yang signifikan pada variabel yang diamati.
2. Adanya koefisien R2 (koefisien determinasi) yang sangat tinggi akan
tetapi koefisien standar error dan tingkat signifikansi masing-masing variabel sangat rendah.
3. Harga koefisien masing-masing variabel tidak searah dengan hipotesis
yang diajukan.
Asumsi tidak adanya hubungan yang linear ini (multikolinearitas), akan
mengakibatkan :
1. tingkat ketelitian koefisien regresi sebagai penduga sangat rendah, dengan
2. koefisien regresi serta ragamnya akan bersifat tidak stabil, sehingga
adanya sedikit perubahan pada data mengakibatkan ragamnya berubah
sangat berarti.
3. tidak dapat memisahkan pengaruh tiap – tiap variabel bebas (independen) secara individu terhadap variabel terikatnya (dependen).
Ada beberapa cara yang sering digunakan untuk membuktikan ada atau
tidaknya multikolinearitas, yaitu :
1. Uji multikolinearitas dengan menggunakan korelasi product moment. Apabila menggunakan koefisien korelasi produk momen, maka harga
koefisien korelasi hitung harus dibandingkan dengan harga koefisien
korelasi tabel untuk df = N-1-1 dengan alpha 5%. Ketentuan yang
digunakan sebagai berikut.
a) Apabila harga koefisien rhitung < rtabel,maka Ho diterima yang berarti
tidak terjadi adanya multikolinearitas antara variabel indevenden.
b) Apabila harga koefisien rhitung > rtabel,maka Ho ditolak yang berarti
terjadi multikolinearitas antara variabel indevenden.
2. Uji multikolinearitas dengan menggunakan variance inflation factor
(VIF).
Dalam menggunakan korelasi variance inflation factor (VIF) hanya dengan melihat apakah harga koefisien VIF untuk masing-masing variabel
independen lebih besar daripada 10 atau tidak. Apabila harga koefisien VIF
untuk masing-masing variabel independen lebih besar daripada 10, maka
menggunakan VIF untuk menguji hipotesisnya, maka kriteria atau ukuran
yang digunakan adalah :
a) Apabila harga koefisien VIF hitung pada Collinearity Statistics sama dengan atau lebih kecil daripada 10 (VIF hitung ≤ 10), maka Ho diterima yang berarti tidak terdapat hubungan antarvariabel independen (tidak
terjadi multikolinieritas).
b) Apabila harga koefisien VIF hitung pada Collinearity Statistics lebih besar daripada 10 (VIF hitung > 10), maka Ho ditolak yang berarti terdapat
hubungan antarvariabel independen (terjadi multikolinearitas).
(Sudarmanto , 2013 : 239)