BAB IV HASIL DAN PEMBAHASAN
4.2. Hasil Percobaan
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).
• 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
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
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++
Setelah dilakukan uji asumsi klasik dengan menggunakan aplikasi perangkat lunak SPSS versi 18.00, diketahui bahwa tidak terdapat gejala multikorelasi, autokorelasi, dan heterokedastisitas terhadap model data yang diteliti.
Langkah selanjutnya adalah membuat rancangan aplikasi dengan menggunakan Bahasa Pemograman C++ untuk melihat pengaruh antara rata-rata nilai UN ( 1), IP Komulatif (IP Semester 1, 2 dan 3) ( 2), jumlah sks mata kuliah yang diambil pada semester 4 ( 3), dan pendidikan orang tua ( 4), terhadap masa
Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 7,9312 0,333 23,829 0,000 IP_Komulatif (b2) -0,876 0,089 -0,534 -9,838 0,000 Rata_Rata_Nilai_UN (b1) -0,049 0,038 -0,059 -1,292 0,197 Jumlah_SKS_Sem_IV (b3) -0,022 0,017 -0,059 -1,278 0,202 Pendidikan_Orangtua (b4) 0,017 0,023 0,028 0,763 0,446
studi ( ). Algoritma yang digunakan adalah regresi linier berganda yang menghasilkan persamaan sebagai berikut :
dimana :
= Masa Studi
1 = Rata-Rata Nilai UN,
2 = IP Komulatif (IP semester 1, 2 dan 3),
3 = Jumlah SKS Mata Kuliah yang Diambil Pada Semester 4, 4 = Pendidikan Orangtua
= Konstanta
=
Berdasarkan hasil perhitungan dengan menggunakan bahasa pemograman C++ (listing program dapat dilihat dalam lampiran 3 ) diperoleh bentuk persamaan liniernya adalah sebagai berikut :
Koefisien Regresi
= 7,9312 – 0,0494 - 0,8757 2 – 0,0222 3 + 0,0174
Nilai koefisien regresi pada variabel-variabel bebasnya menggambarkan apabila diperkirakan variabel bebasnya naik sebesar satu unit dan nilai variabel bebas lainnya diperkirakan konstan atau sama dengan nol, maka nilai variabel terikat diperkirakan bisa naik atau bisa turun sesuai dengan tanda koefisien regresi variabel bebasnya.
4
4.2.3. Menguji Keberartian Koefisien Regresi • Pengujian Hipotesis Secara Overall ( Uji F )
Untuk mengetahui signifikan atau tidaknya suatu pengaruh dari variabel-variabel bebas secara bersama-sama atas suatu variabel tidak bebas digunakan uji F statistik. Ho : Tidak ada pengaruh yang signifikan rata-rata nilai UN ( 1), IP komulatif (IP semester 1, 2 dan 3) ( 2), jumlah SKS mata kuliah yang diambil pada semester 4 ( 3), dan pendidikan orang tua ( 4).
Ha : Ada pengaruh signifikan rata-rata nilai UN ( 1), IP komulatif (IP semester 1, 2 dan 3) ( 2), jumlah SKS mata kuliah yang diambil pada semester 4 ( 3), dan pendidikan orang tua ( 4
Dengan α = 5%
).
Kriteria Uji : 1. Terima Ho jika F hitung < F tabel 2. Tolak Ho jika F hitung ≥ F tabel
Dengan menggunakan aplikasi perangkat lunak SPSS diperoleh perhitungan hasil uji F yang disajikan pada tabel berikut :
Tabel 4.4. Pengujian Hipotesis Secara Overall (Uji F)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 87,142 4 21,785 73,238 0,000a
Residual 147,244 495 0,297
Total 234,386 499
a. Predictors: (Constant), Pendidikan_Orangtua, IP_Komulatif, Rata_Rata_Nilai_UN, Jumlah_SKS_Sem_IV
Dari tabel di atas, diperoleh nilai F hitung sebesar 73,238. Karena nilai F hitung (73,238) > F tabel (2,389), maka Ho ditolak.
4.2.4. Koefisien Determinasi
Besarnya pengaruh rata-rata nilai UN ( 1), IP komulatif (IP semester 1, 2 dan 3) ( 2), jumlah SKS mata kuliah yang diambil pada semester 4 ( 3), dan pendidikan orang tua ( 4) berpengaruh terhadap variabel masa studi ( ) terhadap variabel masa studi ( ), dapat ditunjukkan oleh koefisien determinasi. Dengan menggunakan aplikasi perangkat lunak SPSS diperoleh perhitungan koefisien determinasi yang disajikan pada tabel berikut :
Tabel 4.5. Koefisien Determinasi Model R R Square Adjusted R Square Std. Error of the Estimate 1 0,610a 0,372 0,367 0,545
a. Predictors: (Constant), Pendidikan_Orangtua, IP_Komulatif, Rata_Rata_Nilai_UN, Jumlah_SKS_Sem_IV
b. Dependent Variable: Masa_Studi
KD = R2
= 0,610 x 100% x 100%
= 61%
Berdasarkan perhitungan di atas diperoleh nilai KD sebesar 61 %. Hal ini mengandung arti, bahwa variabel Rata-rata nilai UN ( 1), IP komulatif (IP semester 1, 2 dan 3) ( 2), Jumlah SKS Mata Kuliah yang Diambil Pada Semester 4 ( 3), dan Pendidikan Ortu ( 4) berpengaruh terhadap variabel Masa Studi ( ) sebesar 61%.
4.3. Ukuran Error
Dalam regresi ada beberapa ukuran error yang sering dipakai untuk menilai performansi suatu fungsi prediksi. Ukuran Error yang dipakai untuk menilai performansi suatu prediksi dalam tesis ini adalah mean squared error (MSE) berdasarkan rumus yang terdapat dalam persamaan (2.20), dan mean absolute
deviation (MAD) yang terdapat. Berdasarkan data mahasiswa yang terdapat pada
lampiran 2, diperoleh nilai MSE sebesar 0,26 dan nilai MAD sebesar 0,41.
