Jumlah Perjalanan Wisatawan Nusantara
HASIL DAN PEMBAHASAN A. Gambaran Umum Objek Penelitian
3. Hasil Uji Statistik Deskriptif
Sebelum dilakukan pengujian untuk mendapatkan hasil serta analisis data, terlebih dahulu dilakukan analisis statistik deskriptif untuk mengetahui deskripsi singkat terfdap variabel-variabel yang berkaitan dengan penelitian ini. Sebagaimana yang telah dijelsakan pada bab sebelumnya, bahwa penelitian ini melibatkan 3
AKKU ARTA BAYU BUVA FAST GMCW HOME HOTL ICON INPP JIHD JSPT KPIG MAMI PANR PDES PGLI PJAA PNSE PSKT PTSP PUDP SHID
variabel independen yaitu Value Added Capital Employed (VACA), Value Added Human Capital (VAHU) dan Structural Capital Value Added (STVA). Satu variabel dependen yaitu Tobins’Q dan satu variabel moderating yaitu Return On Asset (ROA).
Dengan menggunakan progam SPSS versi 23 berikut hasil statistik deskriptif dari data yang diolah untuk mendapatkan nilai minimum, maksimum, rata-rata dan standar deviasi. Hasil lengkap statistik deskriptif penelitian ini dapat dilihat pada tabel 4.3
Tabel 4.3
Hasil Statistik Deskriptif
Sumber: data diolah dengan SPSS 23, 2020
Hasil analisis statistik deskriptif terhadap Value Added Capital Employed (VACA), menunjukkan nilai minimum sebesar -18,785 nilai maksimum sebesar 0,727 dengan rata- rata sebesar -0,029 dan standar deviasi 1,772. Nilai rata-rata sebesar - 0,029 lebih kecil dari pada standar deviasinya sebesar 1,772 menunjukan bahwa data bersifat variatif dengan simpangan besar.
Hasil analisis statistik deskriptif terhadap Value Added Human Capital (VAHU), menunjukkan nilai minimum sebesar -52,584 nilai maksimum sebesar 55,132 dengan rata- rata sebesar 0,866 dan standar deviasi 9,221. Nilai rata-rata sebesar 0,866 lebih kecil dari pada standar deviasinya sebesar 9,221 menunjukan bahwa data bersifat variatif dengan simpangan besar.
Descriptive Statistics
N Minimum Maximum Mean
Std.
Deviation
VACA 115 -18,785 ,727 -,029 1,772
VAHU 115 -52,584 55,132 ,866 9,221
STVA 115 -29,853 10,368 ,218 3,045
ROA 115 -1,025 ,260 ,0100 ,109
PBV 115 ,454 6514,754 332,366 1090,851
Valid N
(listwise) 115
Hasil analisis statistik deskriptif terhadap Structural Capital Value Added (STVA), menunjukkan nilai minimum sebesar -29,853 nilai maksimum sebesar 10,368 dengan rata- rata sebesar 0,218 dan standar deviasi 3,045. Nilai rata-rata sebesar 0,218 lebih kecil dari pada standar deviasinya sebesar 3,045 menunjukan bahwa data bersifat variatif dengan simpangan besar.
Hasil analisis statistik deskriptif terhadap Return On Asset (ROA), menunjukkan nilai minimum sebesar -1,025 nilai maksimum sebesar 0,260 dengan rata- rata sebesar 0,0100 dan standar deviasi 0,109. Nilai rata-rata sebesar 0,0100 lebih kecil dari pada standar deviasinya sebesar 0,109 menunjukan bahwa data bersifat variatif dengan simpangan besar.
Hasil analisis statistik deskriptif terhadap Tobins’Q .menunjukkan nilai minimum sebesar 0,454 nilai maksimum sebesar 6514,754 dengan rata- rata sebesar 332,366 dan standar deviasi 1090,851. Nilai rata-rata sebesar 332,366 lebih kecil dari pada standar deviasinya sebesar 1090,851 menunjukan bahwa data bersifat variatif dengan simpangan besar.
4. Hasil Uji Asumsi Klasik a. Hasil Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Dalam uji normalitas terdapat dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. Uji normalitas data dengan menggunakan pengolahan SPSS versi 23 menghasilkan grafik sebagai berikut
Gambar 4.6
Hasil Uji Normalitas dengan Metode Grafik Normal P-Plot Sumber: data diolah dengan SPSS 23, 2020
Berdasarkan gambar di atas, dapat dilihat bahwa titk-titik yang menyebar di sekitar garis diagonal dan penyebaran titik-titik data searah dengan garis diagonal menandakan bahwa model asumsi regresi memenuhi asumsi normalitas dan model regresi layak untuk menganalisis pengaruh variabel-variabel bebas (VACA, VAHU dan STVA) terhadap variabel terikat (Tobins’Q).
Tabel 4.4
Hasil Uji Normalitas Metode Kolmogorov Smirnov
Sumber: data diolah dengan SPSS 23, 2020
Berdasarkan uji Kolmogorov-Smirnov dapat diketahui bahwa nilai unstandarized residual memiliki nilai asymp. Sig. (2-tailed) 0,076 yang berarti >
0,05, ini membuktikan bahwa data terdistribusi dengan normal..
b. Hasil Uji Multikolinieritas
Untuk uji multikolinieritas untuk memperoleh korelasi yang sebenarnya yang murni tidak dipengaruhi variabel-variabel lain yang mungkin saja berpengaruh.
Tabel 4.5
Hasil Uji Multikolinieritas
Sumber: data diolah dengan SPSS 23, 2020
Berdasarkan Tabel 4.5 di atas, dari hasil uji Variance Inflation Factor (VIF) pada hasil output SPSS versi 23 tabel coefficient masing-masing variabel independen memiliki VIF dengan nilai < 10 yaitu variabel VACA sebesar 1,091, variabel VAHU sebesar 1,086 dan untuk variabel STVA sebesar 1,046 sehingga dapat disimpulkan bahwa tidak terjadi multikolinearitas. Sedangkan nilai Tolerance > 0,10 yaitu untuk variabel VACA sebesar 0,917, variabel VAHU sebesar 0,921 dan untuk variabel STVA sebesar 0,956. Maka dapat dinyatakan model regresi linier berganda tidak terdapat multikolinieritas antara variabel dependen dengan variabel independen yang lain sehingga dapat digunakan dalam penelitian ini.
Coefficientsa
Model
Collinearity Statistics
Tolerance VIF
1 VACA ,917 1,091
VAHU ,921 1,086
STVA ,956 1,046
a. Dependent Variable: PBV
c. Hasil Uji Heteroskedastisitas
Uji heteroskedasitas bertujuan untuk menguji apakah dalam regresi terjadi ketidaksamaan variance dari residual satu pengamatan yang lain.
Heteroskedasitas menunjukan bahwa variasi variabel tidak sama untuk semua pengamatan. Pada heteroskedasitas kesalahan yang terjadi tidak secara acak tetapi menunjukan hubungan sistematis sesuai dengan besarnya satu atau lebih variabel.
Deteksi ada tidaknya heteroskedasitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot anatara SREID dan ZPREID dimana sumbu Y adalah Y yang diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) dan telah di studentized (Ghozalli, 2011).
Berdasarkan hasil pengolahan data, maka hasil scatterplot dapat dilihat pada gambar berikut:
Gambar 4.7
Hasil Uji Heteroskedastisitas dengan Metode Grafik Scatterplot Sumber: data diolah dengan SPSS 23, 2020
Dari grafik scatterplot yang ada pada gambar di atas dapat dilihat bahwa titik- titik menyebar secara acak, serta tersebar di atas maupun dibawah angka nol pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heteroskedasitas pada model regresi (Ghozali, 2011).
d. Hasil Uji Autokorelasi
Pengujian autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalhan pengganggu pada periode t-1 (sebelumnya). Dijelaskan juga bahwa jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena residual tidak bebas dari satu observasi lainnya.
Pendeteksian ada atau tidaknya autokorelasi menggunakan uji Durbin-Watson.
Tabel 4.6 Hasil Uji Autokorelasi
Model Summaryb
a. Predictors: (Constant), STVA, VAHU, VACA
b. Dependent Variable: PBV
Sumber: data diolah dengan SPSS 23, 2020
Berdasarkan hasil uji autokorelasi diperoleh nilai Durbin Watson sebesar 1,664. Nilai ini memenuhi persyaratan 1,65 < DW < 2,35 karena 1,65 < 1,701 <
2,35 maka pada model regresi tidak terjadi autokorelasi.
Model Durbin-Watson
1 1,701a