ANALISIS DAN PEMBAHASAN A. ANALISIS DESKRIPTIF
B. METODE ANALISIS STATISTIK
Syarat untuk bisa melakukan uji analisis regresi linear berganda, model harus lulus uji asumsi klasik.
a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng. Data yang baik adalah adalah yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau ke kanan.
1. Pendekatan Histogram
Gambar 4.1
Sumber : Hasil Olahan SPSS pada tanggal 23 Januari 2011 Gambar 4.1 Histogram
Berdasarkan Situmorang, dkk (2010:93) sebuah model dikatakan berdistribusi normal apabila grafik histogram berbentuk lonceng dan tidak menceng ke kanan atau ke kiri. Pada grafik histogram terlihat bahwa variabel EPS berdistribusi normal hal ini ditunjukkan oleh distribusi data tersebut tidak menceng ke kanan atau menceng ke kiri.
2. Pendekatan Grafik
Uji normalitas dilakukan dengan menggunakan Plot Probability Normal (P-P Plot). PP plot akan membentuk plot antara nilai – nilai teoritis (sumbu x) melawan nilai-nilai yang didapat dari sampel (sumbu y). Apabila plot dari keduanya berbentuk linier (dapat didekati garis lurus), maka hal ini akan merupakan indikasi bahwa residual menyebar normal. Seringkali ditemui bahwa ujung-ujung plot agak menyimpang dari garis lurus. Bila pola-pola titik yang terletak selain di ujung-ujung plot masih berbentuk linier, meskipun ujung-ujung plot agak menympang dari garis lurus, maka dapat disimpulkan bahwa sebaran data adalah menyebar normal.
Gambar 4.2
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Gambar 4.2 Normality P-Plot
Pada scatter plot terlihat titik yang mengikuti data di sepanjang garis diagonal. Hal ini berarti data berdistribusi normal.
3. Pendekatan Kolmogorv Smirnov
Data yang kelihatan normal belum tentu berdistribusi normal, untuk lebih memastikan data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji kolmogorv smirnov (1sample KS) dengan melihat data residualnya apakah berdistribusi normal atau tidak.
Pedoman pengambilan keputusan adalah:
1. Nilai signifikansi atau probabilitas (Sig.) > 0.05; maka data berdistribusi normal 2. Nilai atau probabilitas (Sig.) < 0.05; maka data tidak berdistribusi normal
Tabel 4.4
One-Sample Kolmogorov-Smirnov Test
Unstandardiz ed Residual
N 72
Normal Parametersa Mean .0000000
Std. Deviation 47.93423869
Most Extreme Differences Absolute .115
Positive .115
Negative -.098
Kolmogorov-Smirnov Z .973
Asymp. Sig. (2-tailed) .300
a. Test distribution is Normal.
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Tabel 4.4: One-Sample Kolmogorov-Smirnov Test
Pada table 4.4 terlihat nilai Asymp.Sig. (2-tailed) adalah 0.300 dan di atas nilai signifikan (0.05) maka dapat disimpulkan variabel residual berdistribusi normal.
b. Uji Multikolinearitas
Multikolinearitas digunakan untuk melihat ada atau tidaknya hubungan antara variabel bebas dalam model regresi. Untuk melihat ada atau tidaknya multikolinearitas dapat dilakukan dengan melihat toleransi variabel dan Variance Inflation Factor (VIF), kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya, dengan ketentuan sebagai berikut:
• VIF < 5 maka tidak terjadi multikolinearitas
• VIF > 5 maka terjadi multikolinearitas
• Nilai tolerance > 0.1 maka tidak terjadi multikolinearitas
• Nilai tolerance < 0.1 maka terjadi multikolinearitas Tabel 4.5 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Const ant) .905 15.755 .057 .954 DAR 122.329 43.830 .477 2.791 .007 .438 2.285 DER -23.419 8.057 -.497 -2.907 .005 .438 2.285 a. Dependent Variable: EPS
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Tabel 4.5: Uji Multikolinearitas
Dari tabel output SPSS di atas dapat dilihat bahwa nilai tolerance untuk DAR dan DER adalah 0.438 atau > 0.1 dan nilai VIF untuk variabel DAR dan DER adalah 2.285 atau < 5 maka dapat disimpulkan bahwa semua data tidak terkena multikolinearitas.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode yang satu dengan kesalahan pengganggu pada periode sebelumnya. Adalah yang digunakan untuk mendeteksi autokorelasi Run test. Kaidah keputusan dari metode ini adalah tidak menolak hipotesis nol jika taksiran R berada pada jarak interval dan menolak hipotesis nol jika taksiran R di luar batas interval.
Tabel 4.6 Runs Test
Unstandardized Residual
Test Valuea -9.43656
Cases < Test Value 36
Cases >= Test Value 36
Total Cases 72
Number of Runs 29
Z -1.899
Asymp. Sig. (2-tailed)
.058
a. Median
Sumber : Hasil Olahan SPSS pada tanggal 23 januari 2011 Tabel 4.6: Run Test
Pada tabel 4.6 di atas dapat dilihat bahwa nilai Asymp Sig. (2-tailed) adalah sebesar 0.058 atau signifikan pada nilai alfa 0.05, sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi antar nilai residual.
d. Uji Heterokedastisitas
Uji heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya.jika variance dari satu residual satu pengamatan ke pengamatan lainnya tetap maka terjadi homokedastisitas jika berbeda maka disebut heterokedastisitas. Model regresi yang baik adalah model yang tidak terkena heterokedastisitas. Uji heterokedastisitas dapat dilakukan dengan cara berikut:
1. Pendekatan Grafik
Gambar 4.3
Sumber : Hasil Olahan SPSS pada tanggal 23 Januari 2011 Gambar 4.3 : Scatterplot
Dari grafik scatterplot di atas terlihat titik-titik menyebar secara acak tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol pada sumbu Y. Hal ini berarti tidak terjadi heterokedastisitas pada model regresi, sehingga model regresi layak dipakai untuk memprediksi variabel EPS, berdasrkan masukan variabel independen.
2. Uji Glejser Tabel 4.7 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 18.594 10.000 1.859 .067 DAR 40.401 27.819 .257 1.452 .151 DER -1.265 5.114 -.044 -.247 .805
a. Dependent Variable: ABSUT
Sumber : Hasil Olahan SPSS pada tanggal 23 Januari 2011 Tabel 4.7 : Uji Glejser
Jika variabel independen mempengaruhi secara statistik tabel terhadap variabel dependen maka hal ini menunjukkan terjadi autokorelasi pada model regresi. Dari tabel di atas dapat dilihat bahwa tidak satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut (absUt). Hal ini terlihat dari probabilitas signifikansi DAR sebesar 0.151 dan DER sebesar 0.805 di atas tingkat kepercayaan 5 %, jadi disimpulkan model regresi tidak mengarah adanya heterokedastisitas.
