HASIL PENELITIAN DAN PEMBAHASAN
A. Gambaran Umum Objek Penelitian
2. Hasil Uji Asumsi Klasik
Setelah melakukan pengujian statistik deskriptif, langkah berikutnya adalah uji asumsi klasik. Uji ini dilakukan untuk memastikan, apakah model regresi yang digunakan telah memenuhi kriteria, diantaranya ialah memiliki nilai estimator terbaik (best), estimator linier (linear), serta estimator tidak bias (unbiased). Dalam penelitian ini, uji asumsi klasik yang dilakukan ialah uni normalitas, multikolinearitas, autokorelasi dan heteroskedastisitas.
a. Hasil Uji Normalitas
Uji normalitas ialah pengujian yang dilakukan untuk mengetahui apakah pada model regresi, baik variabel independen, dependen maupun moderat ketiganya mempunyai distribusi data secara normal atau tidak.
Model regresi yang baik tentunya adalah model yang memiliki distribusi data secara normal atau mendekati normal. Kemudian untuk mengetahui apakah data terdistribusi secara normal atau tidak, yakni dapat dilakukan dengan dua cara, yaitu dengan analisis grafik dan uji statistik. Dalam hal ini, analisis grafik dapat dilihat pada grafik histogram dan grafik Normal Probability Plot (P-Plot). Sedangkan untuk uji statistik dapat dilakukan dengan uji non parametrik Kolmogorov-Smirnov (K-S). Berikut ini akan disajikan hasil uji normalitas berdasarkan analisis grafik:
Gambar 4.1
Hasil Uji Normalitas: Grafik Histogram
Sumber: Hasil olah data SPSS 24, 2021
Berdasarkan grafik histogram pada gambar 4.1, memperlihatkan bahwa residual terdistribusi secara normal, dimana kenaikan/penurunan data observasi tersebut mendekati garis melengkung, berbentuk simetris serta tidak menceng ke kiri atau ke kanan. Ini menunjukkan bahwa pada model regresi telah memenuhi asumsi normalitas.
Gambar 4.2
Hasil Uji Normalitas: Grafik Normal Probability Plot
Sumber: Hasil olah data SPSS 24, 2021
Begitu pula hasil uji normalitas pada gambar 4.2, dimana grafik Normal Probability Plot memperlihatkan bahwa penyebaran data (titik-titik) berada disekitar garis diagonal serta mengikuti arah garis diagonal tersebut. Dengan demikian hal ini menunjukkan bahwa data terdistribusi secara normal serta pada model regresi yang diterapkan telah memenuhi asumsi normalitas.
Uji normalitas tidak cukup hanya dengan melihat analisis grafik saja. Dalam hal ini, penggunaan grafik bisa saja menyesatkan jika tidak hati-hati secara visual. Dimana grafik menunjukkan normal, akan tetapi secara statistik malah sebaliknya. Oleh karena itu diperlukan uji statistik untuk menjamin keakuratan hasil. Dalam penelitian ini, juga melakukan uji statistik dengan menerapkan uji statistik non parametrik One Sample Kolmogorov-Smirnov (K-S) dengan hasil sebagai berikut:
Tabel 4.3
Hasil Uji Normalitas: Kolmogorov-Smirnov (K-S) One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 189
Normal Parametersa,b Mean ,0000000
Std. Deviation ,04426637
Most Extreme Differences Absolute ,040
Positive ,031
Negative -,040
Test Statistic ,040
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Sumber: Hasil olah data SPSS 24, 2021
Bedasarkan hasil uji statistik One Sample Kolmogorov-Smirnov (K-S) yang ditunjukkan pada tabel 4.3, menghasilkan nilai sebesar 0,040 dengan tingkat signifikansi sebesar 0,200 (karena Asymp. Sig. = 0,200 >
0,05), maka data terdistribusi secara normal. Hal ini dapat disimpulkan bahwa pada model regresi telah memenuhi asumsi normalitas.
b. Hasil Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui apakah model regresi ditemukan adanya korelasi atau keterikatan antar variabel bebas (independen). Model regresi yang baik adalah model yang tidak terdapat korelasi sempurna atau mendekati sempurna diantara variabel bebasnya.
Cara yang dapat diterapkan untuk mengetahui adanya multikolinearitas adalah dengan melihat Tolerence Value serta Variance Inflation Factor (VIF). Dalam hal ini model regresi dapat dikatakan tidak terjadi masalah multikolinearitas, apabila memiliki nilai tolerance ≥ 0,10 atau nilai VIF
≤ 10. Berikut ini hasil uji multikolinearitas disajikan pada tabel 4.4:
Tabel 4.4
Hasil Uji Multikolinearitas Coefficientsa
Model Collinearity Statistics
Tolerance VIF
1 (Constant)
CON_INT ,684 1,462
FIN_DIS ,681 1,468
RIS_LIT ,988 1,012
a. Dependent Variable: CON_ACC Sumber: Hasil olah data SPSS 24, 2021
Berdasarkan hasil uji multikolinearitas yang disajikan pada tabel 4.4, menunjukkan bahwa nilai tolerence dari seluruh variabel lebih besar dari 0,10. Begitu pula nilai VIF-nya, seluruh variabel menghasilkan nilai kurang dari 10. Dengan demikian, hal ini dapat disimpulkan bahwa pada model regresi tidak terjadi masalah multikolinearitas.
c. Hasil Uji Autokorelasi
Uji autokorelasi merupakan pengujian untuk mengetahui apakah dalam suatu model regresi terdapat korelasi antara kesalahan penganggu pada periode t dengan periode t-1 sebelumnya. Autokorelasi sering kali muncul pada sampel yang menggunakan data berskala atau time series.
Dalam hal ini, model regresi yang baik juga tentunya adalah model yang tidak terdapat autokorelasi, baik itu autokorelasi positif atau pun negatif.
Salah satu cara untuk mengetahui ada atau tidaknya autokorelasi, adalah dengan melakukan uji Durbin-Watson (DW test) yang membandingkan antara nilai DW, DL dan DU. Suatu model regresi dapat dikatakan tidak terjadi masalah autokorelasi jika syaratnya adalah DU < DW < (4-DU).
Berikut ini hasil uji autokorelasi disajikan pada tabel 4.5:
Tabel 4.5
Hasil Uji Autokorelasi: Durbin-Watson Test Model Summaryb
a. Predictors: (Constant), RIS_LIT, CON_INT, FIN_DIS b. Dependent Variable: CON_ACC
Sumber: Hasil olah data SPSS 24, 2021
Berdasarkan hasil uji Durbin-Watson (DW test) diketahui bahwa nilai Durbin-Watson sebesar 1,933. Selanjutnya nilai tersebut tentu akan dibandingkan dengan nilai tabel DW menggunakan tingkat signifikansi 5%. Dalam hal ini jumlah sampel data observasi penelitian 189 (n=189), lalu jumlah variabel bebas 3 (k=3). Maka pada tabel DW menghasilkan
nilai DL sebesar 1,7298, nilai DU sebesar 1,7942 dan nilai 4-DU sebesar 2,2058. Oleh karena nilai DW 1,933 lebih besar dibandingkan batas atas (DU) 1,7942 dan kurang dari (4-DU) 2,2058 atau 1,7942<1,933<2,2058 dengan demikian dapat disimpulkan bahwa pada model regresi tersebut tidak terjadi autokorelasi (sesuai tabel pengambilan keputusan).
d. Hasil Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui dan menguji apakah dalam model regresi terdapat ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik juga seharusnya adalah model yang tidak terdapat heteroskedastisitas. Dalam penelitian ini untuk mendeteksi ada atau tidak heteroskedastisitas, maka dapat dilakukan dengan 2 (dua) metode, yakni dengan grafik Scatterplot dan uji Glejser. Berikut hasil grafik Scatterplot pada gambar 4.3:
Gambar 4.3
Hasil Uji Heteroskedastisitas: Grafik Scatterplot
Berdasarkan hasil grafik Scatterplot yang disajikan pada gambar 4.3, menunjukkan bahwa penyebaran data (titik-titik) tersebut menyebar secara tidak beraturan, tidak memiliki pola yang jelas serta data tersebar di atas maupun dibawah angka 0 (nol) pada sumbu Y. Dengan demikian, maka hal ini dapat disimpulkan bahwa pada model regresi tersebut tidak terjadi masalah heteroskedastisitas. Kemudian untuk memperkuat bukti bahwa pada penelitian ini tidak terjadi heteroskedastisitas, maka peneliti melakukan uji Glejser dengan hasil sebagai berikut:
Tabel 4.6
Hasil Uji Heteroskedastisitas: Glejser Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients t Sig.
B Std. Error Beta
1 (Constant) ,027 ,005 5,835 ,000
CON_INT -,037 ,033 -,101 -1,149 ,252
FIN_DIS ,008 ,005 ,144 1,642 ,102
RIS_LIT ,015 ,010 ,112 1,539 ,125
a. Dependent Variable: Abs_Res Sumber: Hasil olah data SPSS 24, 2021
Berdasarkan hasil uji Glejser yang disajikan pada tabel 4.6 dapat dilihat bahwa tidak ada satu pun variabel independen yang berpengaruh secara signifikan terhadap variabel dependen, dalam hal ini adalah nilai absolut (Abs_Res) atau variabel independen memiliki signifikansi lebih besar dari 0,05. Dengan demikian, dapat disimpulkan bahwa pada model regresi tidak mengandung adanya heteroskedastisitas atau model regresi bersifat homokedastisitas dan layak digunakan.