BAB III METODE PENELITIAN
3.6. Metode Analisis Data
Metode analisis data dalam penelitian ini menggunakan analisis statistik dengan
menggunakan software SPSS 17.Tahap awal yang dilakukan sebelum melakukan
pengujian hipotesis yaitu uji asumsi klasik.Pengujian asumsi klasik yang dilakukan
terdiri dari uji normalitas, uji multikolinieritas, uji heteroskedastisitas dan uji
autokorelasi.Untuk pengujian hipotesis, dilakukan analisis uji t dan uji F.
3.6.1. Pengujian asumsi klasik
Penggunaan analisis regresi dalam statistik harus bebas dari asumsi
asumsi klasik.Adapun pengujian asumsi klasik yang digunakan dalam
penelitian ini adalah, uji normalitas, uji multikolinieritas, uji heteroskedastisitas
dan uji autokorelasi.
1. Uji normalitas
“Uji normalitas bertujuan untuk menguji apakah variabel dalam model
regresi variabel pengganggu atau residual memiliki distribusi normal” (Ghozali,
2006 : 110). Model regresi yang baik adalah yang memiliki distribusi data
normal atau mendekati normal.Histogram atau pola distribusi data normal dapat
digunakan untuk melihat normalitas data. Uji Kolmogrov Smirnov, dalam uji
pedoman yang digunakan dalam pengambilan keputusan yaitu:
a. jika nilai signifikansi < 0.05 maka distribusi data tidak normal,
Menurut Ghozali (2006 : 112),“pada prinsipnya normalitas data dapat
dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari
grafik atau dengan melihat histogram dari residualnya”. Dasar pengambilan
keputusan :
1) jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal,
maka model regresi memenuhi asumsi normalitas,
2) jika data menyebar jauh dari diagonal dan atau tidak mengikuti arahgaris
diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas.
2. Uji multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi di antara variabel independen.Model regresi yang
baik seharusnya tidak terjadi korelasi di antara variabel independen.
Erlina dan Mulyani (2007 : 107), menyatakan “Multikolinearitas
merupakan kondisi dimana terjadi korelasi antar variabel - variabel
independen suatu penelitian atau dengan kata lain bersifat ortogonal”.
Variabel - variabel independen yang bersifat ortogonal adalah variabel yang
memiliki nilai korelasi di antara sesamanya sama dengan nol. Jika terjadi
korelasi sempurna diantara sesama variabel independen, maka
konsekuensinya adalah:
(b) nilaistandar error setiap koefisien regresi menjadi tak terhingga
Jika terjadi korelasi, maka terdapat problem
multikolinearitas.Pengujian dilakukan dengan nilai VIF (Variance Inflation Factor) dari model penelitian, jika nilai VIF di atas 2 maka dapat dikatakan bahwa telah terjadi gejala multikolinearitas dalam model penelitian. Di
samping itu, “suatu model dikatakan terdapat gejala multikolinearitas, jika
korelasi di antara variabel independen lebih besar dari 0.9” (Ghozali, 2005 :
91).
Menurut Ghozali (2005), cara yang dapat dilakukan jika terjadi
multikolinearitas yaitu:
1. mengeluarkan salah satu atau lebih variabel independen yang
mempunyai korelasi tinggi dari model regresi dan indentifikasi
variabel independen lainnya untuk membantu prediksi
2. menggabungkan data cross section dan time series (pooling data)
3. menambah data penelitian.
3. Uji heteroskedastisitas
Menurut Situmorang et al. (2009 : 63), “Heteroskedastisitas dapat
dikatakan sebagai suatu situasi dimana dalam sebuah grup terdapat varians
yang tidak sama diantara sesama anggota grup tersebut”. Uji heteroskedastisitas
digunakan untuk menguji apakah dalam suatu model regresi terjadi
ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain.
homokedastisitas.Cara yang digunakan untuk mendeteksi ada tidaknya
heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot
model tersebut. Analisis pada gambar Scatterplot yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas jika:
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0
2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang
melebar kemudian menyempit dan melebar kembali
4. Penyebaran titik-titik data sebaiknya tidak berpola.
Menurut Situmorang, et.al. (2009 : 76), ada dua cara perbaikan
heteroskedastisitas, yaitu :
1. Bila varians �2� diketahui, maka metode yang digunakan adalah dengan cara kuadrat terkecil tertimbang yang meminimumkan
pentingnya observasi yang penting dengan memberikan bobot pada
observasi tadi secara proporsional dengan kebalikan dari
variansnya.
2. Bila varians �2� tidak diketahui, dimana pengetahuan mengenai �2� biasanya merupakan hal yang jarang dimiliki. Sebagai akibatnya,
orang biasanya membuat suatu asumsi yang masuk akal &
data yang telah ditransformasikan bersifat homokesdastisitas. Misal
model persamaannya:
Y = b0 + b1X1 + b2X2 + b3X3+ b4Z
ditransformasikan menjadi:
LogY = b0 + b1logX1 + b2logX2 + b3logX3 + b4logZ
4. Uji autokorelasi
“Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi
linier ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pada periode t-1 (sebelumnya)” (Ghozali, 2006 : 95). Autokorelasi
muncul karena observasi yang berurutan sepanjang tahun yang berkaitan satu
dengan yang lainnya.Hal ini sering ditemukan dalam time series.Ada beberapa cara untuk menguji adanya autokorelasi seperti metode grafik, uji LM, Uji Runs
dan lain-lain. Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat
satu (first autocorelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lagi diantara variabel dependen. Kriteria
untuk penilaian terjadinya autokorelasi yaitu:
1) angka D-Wdi bawah -2 berarti ada autokorelasi positif
2) angka D-Wdi antara-2 sampai+2 berarti tidak ada autokorelasi
3) angka D-Wdi atas +2 berarti ada autokorelasi negatif
Menurut Situmorang et al.(2009 : 78), Autokorelasi dapat di definisikan
sebagai suatu keadaan dimana adanya korelasi diantara anggota serangkaian
(crosssection). Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul dikarenakan residual atau
kesalahan pengganggu tidak bebas dari satu observasi ke observasi
lainnya.Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Pada penelitian ini, uji autokorelasi dideteksi dengan uji Durbin- Watson,
karena uji ini yang umum digunakan. Uji ini hanya digunakan untuk
autokorelasi tingkat pertama (first order autokorelasi) dan mensyaratkan adanya intercept (konstanta) dalam model regresi.