BAB III METODE PENELITIAN
D. Metode Analisis Data
Analisis data dilakukan dengan beberapa pengujian. Pertama dengan statistik deskriptif, dilanjutkan dengan uji kualitas data untuk setiap variabel dependen dan independen, serta analisis regresi linear berganda.
1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis dan skewness (Ghozali, 2006). Statistik deskriptif menggambarkan fenomena yang menarik perhatian dan meliputi transformasi data mentah ke dalam bentuk yang akan memberi informasi untuk menjelaskan sekumpulan faktor dalam suatu situasi (Sekaran, 2006).
2. Uji Kualitas Data
Uji kualitas data dalam penelitian ini menggunakan uji asumsi klasik karena jenis data dalam penelitian ini merupakan data sekunder. Agar model regresi signifikan dan representatif, maka harus memenuhi asumsi dasar klasik.
commit to user a. Uji Multikolonieritas
Uji multikolonieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik mengindikasikan tidak terjadi korelasi antar variabel independen (Ghozali, 2006). Berikut adalah cara mendeteksi ada tidaknya multikolonieritas di dalam model regresi menurut Ghozali (2006).
i. Menganalisa matrik korelasi variabel-variabel independen, jika antar variabel independen terdapat korelasi yang cukup tinggi (umumnya di atas 0.90) maka hal ini merupakan indikasi adanya multikolonieritas.
ii. Memperhatikan nilai tolerance dan Variance Inflation Factor (VIF). Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Nilai cut-off yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance ≤ 0.10 atau nilai VIF ≥ 10. b. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode (t-1) sebelumnya (Ghozali, 2006). Salah satu cara yang digunakan untuk mendeteksi ada tidaknya autokorelasi adalah uji Durbin-Watson (DW). Kriteria pengambilan keputusan ada tidaknya autokorelasi menurut Ghozali (2006) digambarkan pada tabel 3.1.
commit to user : tidak ada autokorelasi (r = 0)
: ada auokorelasi (r ≠ 0)
Tabel 3.1
Pengambilan Keputusan Ada Tidaknya Autokorelasi
Hipotesis nol Keputusan Syarat
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No Decision dl ≤ d ≤ du
Tidak ada korelasi negatif Tolak 4 – dl < d < 4 Tidak ada korelasi negatif No Decision 4 – du ≤ d ≤ 4 – dl
Tidak ada autokorelasi, positif atau negatif
Tidak Ditolak du < d < 4 - du
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap maka disebut homoskedastisitas dan jika berbeda disebut heteroskedasisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2006). Beberapa cara untuk mendeteksi ada tidaknya heteroskedastisitas menurut Ghozali (2006) sebagai berikut.
i. Melihat ada tidaknya pola tertentu (titik-titik yang membentuk pola teratur baik bergelombang maupun melebar kemudian menyempit) pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual (Y prediksi – Y sesungguhnya) yang telah di-studentized. Jika tidak
commit to user
ada pola yang jelas dan titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. ii. Uji glejser dengan meregres nilai absolut residual terhadap variabel
independen. Jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi heteroskedastisitas.
d. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Beberapa cara untuk mendeteksi adanya normalitas dengan analisis grafik histogram dan P-P Plot serta analisis statistik dengan uji Kolmogorov-Smirnov (Ghozali, 2006). Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan untuk mendeteksi normalitas menurut Ghozali (2006):
i. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
ii. Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
commit to user
Uji statisik yang digunakan untuk menguji normalitas residual adalah uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis:
: data residual berdistribusi normal : data residual tidak berdistribusi normal
Signifikansi nilai K-S > 0.05 mengindikasikan data terdistribusi secara normal (Ghozali, 2006).
3. Analisis Regresi
a. Uji Koefisien Determinasi ( )
Koefisien determinasi ( ) mengukur seberapa jauh kemampuan model
dalam menerangkan variasi variabel dependen. Koefisien determinasi digunakan untuk menguji goodness-fit model regresi. Nilai koefisien determinasi adalah antara nol dan satu. Nilai ( ) mendekati nol
menunjukkan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas, sedangkan nilai ( )
yang mendekati satu menunjukkan variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2006).
b. Uji Pengaruh Simultan (Uji F)
commit to user
independen secara bersama-sama (simultan) mempengaruhi variabel dependen (Ghozali, 2006). Hipotesis nol ( ) yang hendak diuji adalah
semua parameter dalam model sama dengan nol atau : b1 = b2 = b3 = b4
= b5 = b6 = b7 = b8 = 0. Artinya semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hipotesis alternatifnya ( ) adalah tidak semua parameter secara simultan sama
dengan nol atau : b1 ≠ b2 ≠ b3 ≠ b4 ≠ b5 ≠ b6 ≠ b7 ≠ b8 ≠ 0. Artinya
semua variabel independen secara simultan merupakan penjelas yang signifikan terhadap variabel dependen. Kriteria pengambilan keputusan yang digunakan bila nilai F > 4 maka dapat ditolak pada derajat
kepercayaan 5%, dengan kata lain menerima yang menyatakan bahwa
semua variabel independen secara serentak dan signifikan mempengaruhi variabel dependen.
c. Uji Pengaruh Parsial (Uji t)
Uji parsial digunakan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen (Ghozali, 2006). Hipotesis nol ( ) yang hendak diuji adalah apakah suatu parameter (bi) sama dengan
nol atau : bi = 0. Artinya apakah suatu variabel independen bukan
commit to user
alternatifnya ( ) parameter suatu variabel tidak sama dengan nol atau :
bi ≠ 0. Artinya variabel tersebut merupakan penjelas yang signifikan terhadap variabel dependen. Kriteria pengambilan keputusan yang digunakan bila jumlah degree of freedom (df) adalah 20 atau lebih, dan derajat kepercayaan sebesar 5%, maka yang menyatakan bi = 0 dapat
ditolak bila nilat t > 2 (dalam nilai absolut); atau dengan membandingkan nilai statistik t dengan titik kritis menurut tabel, apabila nilai statistik t hasil perhitungan lebih tinggi dibandingkan nilai t tabel maka hipotesis alternatif diterima, yaitu suatu variabel independen secara individual mempengaruhi variabel dependen.