BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.3 Pembahasan
4.3.1 Pembahasan Substruktur 1 (Pengaruh Langsung) :
Entrepreneurial Networking Terhadap Keunggulan Bersaing
A. Uji Asumsi Klasik
1. Uji Normalitas
Tujuan uji normalitas adalah ingin mengetahui apakah distribusi sebuah
data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan
bentuk lonceng. Data yang baik adalah data mempunyai pola seperti distribusi
normalenceng ke kanan. Ada dua cara yang digunakan untuk mendeteksi apakah
data berdistribusi normal atau tidak, yaitu dengan pendekatan histogram dan
pendekatan Kolmogrov – Smirnov.
1. Pendekatan Histogram
Salah satu cara untuk melihat normalitas adalah dengan melihat grafik
histogram dan grafik normal plot yang membandingkan antara dua observasi
dengan distribusi yang mendekati distribusi normal.
Sumber: Hasil Pengolahan SPSS (2016)
Gambar 4.1
Grafik Histogram Uji Normalitas Substruktur 1
Pada Gambar 4.1 terlihat bahwa variabel keunggulan bersaing
berdistribusi normal, hal ini ditunjukkan oleh distribusi data tersebut tidak
menceng ke kiri atau menceng ke kanan.
2. Pendekatan Kolmogrov – Smirnov
Uji normalitas dengan grafik bisa saja terlihat berdistribusi normal,
padahal secara statistik tidak berdistribusi normal. Berikut ini pengujian
normalitas yang berdasarkan dengan uji statistik non parametik Kolmogrov
Smirnov (K – S) untuk memastikan apakah benar data berdistribusi normal.
Tabel 4.8
One Sample Kolmogrov – Smirnov Test Substruktur 1
One-Sample Kolmogorov-Smirnov TestUnstandardized Residual
N 55
Normal Parametersa,,b Mean .0000000
Std. Deviation 2.72220318
Most Extreme Differences Absolute .187
Positive .127
Negative -.187
Kolmogorov-Smirnov Z 1.388
Asymp. Sig. (2-tailed) .502
a. Test distribution is Normal. b. Calculated from data.
Sumber: Hasil Pengolahan SPSS (2016)
Dari Tabel 4.8 terlihat bahwa nilai Asymp. Sig (2 tailed) adalah 0,502
diatas nilai signifikan (0,05) dengan kata lain variabel residual berdistribusi
normal. Nilai Kolmogrov – Smirnov yakni 1,388 lebih kecil dari 1,97 berarti tidak
ada perbedaan antara distribusi teoritik dan distribusi empirik atau dengan kata
lain data dikatakan normal.
2. Uji Heteroskedastisitas
Uji heteroskedastisitas ini bertujuan untuk menguji apakah di dalam model
regresi kerja di ketidaksamaan varian dari residual satu pengamatan ke
pengamatan lain. Jika varians dari residual satu pengamatan ke pengamatan lain
tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heterokedastisitas. Ada beberapa cara untuk mendeteksi ada atau
tidaknya heteroskedastisitas, yaitu:
1. Metode Grafik
Dasar analisis adalah tidak ada pola yang jelas, serta titik – titik menyebar
diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas,
sedangkan jika ada pola tertentu, seperti titik – titik yang membentuk pola
tertentu, maka mengindikasi telah terjadi heterokedastisitas.
Sumber: Hasil Pengolahan SPSS (2016)
Gambar 4.2
Grafik Scatter Plot Uji Heteroskedastisitas Substruktur 1
Berdasarkan Gambar 4.2 dapat terlihat dari grafik scaterplott yang
disajikan, terlihat titik – titik menyebar secara acak tidak membentuk suatu pola
tertentu yang jelas, serta tersebar baik di atas maupun dibawah angka nol pada
sumbu Y. Hal ini berarti tidak terjadi heteroskedastisitas pada model regresi,
sehingga model regresi layak dipakai untuk memprediksi keunggulan bersaing,
berdasarkan masukan variabel independennya.
2. Uji Glejser
Uji glejser dilakukan dengan cara meregresikan antara variabel
independen dengan nilai absoulut residualnya, jika nilai signifikansi atara variabel
independen dengan absolut residual dengan lebih dari 0,05 maka tidak terjadi
masalah heteroskedastisitas.
Tabel 4.9
Uji Glejser Substruktur 1
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 6.840 1.805 3.790 .000 Entrepreneurial Networking -.138 .050 -.355 -2.764 .008
a. Dependent Variable: absut
Sumber: Hasil Pengolahan SPSS (2016)
Dari Tabel 4.9 terlihat jelas menunjukkan tidak satupun variabel
independen yang signifikan mempengaruhi variabel absolut Ut (absut). Hal ini
terlihat dari probabilitas signifikannya diatas tingkat kepercayaan 5%, jadi
disimpulkan model regresi tidak mempengaruhi heteroskedastitsitas.
3. Uji Multikoleniaritas
Uji
multikolinearitas bertujuan untuk menguji apakah variabel pada model
regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang
baik seharusnya tidak ditemukan adanya korelasi di antar avariabel independen.
Tabel 4.10
Uji Multikolinearitas Substruktur 1
Coefficientsa Model Unstandardized Coefficients Standardiz ed Coefficients T Sig. Collinearity Statistics B Std. Error Beta Toleranc e VIF 1 (Constant) 5.375 2.718 1.978 .053 Entrepreneurial Networking .565 .075 .718 7.505 .000 1.000 1.000
a. Dependent Variable: Keunggulan Bersaing
Sumber: Hasil Pengolahan SPSS (2016)
Berdasarkan Tabel 4.10 dapat dilihat bahwa nilai VIF dari variabel
Entrepreneurial Networking lebih kecil atau dibawah 5 (VIF < 5), ini berarti tidak
terkena multikolinearitas anatara variabel independen dalam model regresi. Nilai
tolerance dari variabel Entrepreneurial Networking lebih besar dari 0,1 (tolerance
>0,1), ini berarti tidak terdapat multikolinearitas antar variabel independen dalam
model regresi.
B. Uji Hipotesis
1. Melihat Kelayakan Model Regresi
1. Jika �
�����< �
ℎ�����, maka model regresi dianggap layak.
2. Jika nilai signifikan < 0.05, maka model regresi dianggap layak.
Tabel 4.11
Uji Kelayakan Model Regresi Substruktur 1
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 686.933 1 686.933 56.319 .000a
Residual 646.449 53 12.197
Total 1333.382 54
a. Predictors: (Constant), Keunggulan Bersaing b. Dependent Variable: Entrepreneurial Networking
Sumber: Hasil Pengolahan SPSS (2016)
Berdasarkan Tabel 4.11 dapat dilihat hasil perolehan F hitung pada kolom
F yakni sebesar 56, 319 dengan tingkat signifikansi 0,000. Sedangkan F Tabel
pada tingkat kepercayaan 95% (α = 0,005) adalah 2,6. Oleh karena kedua
perhitungannya yaitu F hitung > F tabel dan tingkat signifikansinya 0,000 < 0,05,
maka model regresi dinyatakan layak.
2. Menguji Ketepatan Predictor
Untuk menguji ketepatan predictor (variabel eksogen) yang digunakan
untuk memprediksi variabel endogen dapat digunakan dengan membandingkan
jika angka standar error of estimate < angka standar deviasi maka predictor
dipakai layak benar (Situmorang dan Lutfi, 2014 : 221).
Tabel 4.12
Uji Ketepatan Predictor Subtruktur 1
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Entrepreneurial Networking 55 17.00 42.00 35.7818 4.96913
Keunggulan Bersaing 55 13.00 30.00 25.5818 3.90958
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .718a .515 .506 3.49244 1.976
a. Predictors: (Constant), Keunggulan Bersaing b. Dependent Variable: Entrepreneurial Networking
Sumber: Hasil Pengolahan SPSS (2016)
Dari Tabel 4.12 Dapat dilihat bahwa angka standart error of estimate <
angka standar deviasi, maka predictor yang digunakan layak/benar. Berdasarkan
tabel di atas dapat dilihat nilai standar deviasi Entrepreneurial Networking (4,96)
diatas angka standart error of estimate (3,49).
3. Menguji Kelayakan Koefisien Regresi
Untuk menguji kelayakan koefisien regresi yang digunakan dalam riset
pada nilai signifikan, jika nilai signifikan dibawah 0.05, koefisien regresi
dianggap layak (Situmorang dan Lutfi, 2014 : 222)
Tabel 4.13
Uji Kelayakan Koefisien Regresi Substruktur 1
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 5.375 2.718 1.978 .053 Entrepreneurial Networking .565 .075 .718 7.505 .000
a. Dependent Variable: Keunggulan Bersaing
Sumber: Hasil Pengolahan SPSS (2016)
Berdasarkan Tabel 4.13 Diatas maka variabel eksogen yang memiliki nilai
signifikan adalah Entrepreneurial Networking sebesar 0,00 (P<0,05). Dengan
demikian Entrepreneurial Networking koefisien regresinya dinyatakan layak.
C. Pengujian Koefisien Determinan ( �
�)
Pengujian dengan menggunakan uji koefisien determinasi (�
2) digunakan
untuk mengukur seberapa besar pengaruh variabel bebas. Uji koefisien
determinasi (�
2) adalah dengan presentasi pengkuadratan nilai koefisien yang
ditemukan. Koefisien determinan (�
2) berkisar antra 0 (nol) sampai dengan 1
(satu) , (0 ≤ �
2≤ 1). Hal ini berarti �
2semakin besar (mendekati satu), maka
dapat dikatakan pengaruh variabel bebas adalah besar terhadap variabel terikat.
Hal ini berarti model yang digunakan semakin kuat untuk menerangkan variabel
bebas yang diteliti terhadap variabel terikat dan demikian sebaliknya.
Tabel 4.14
Pengujian Koefisien Determinan ( �
�) Substruktur 1
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .718a .515 .506 2.74776
a. Predictors: (Constant), Entrepreneurial Networking b. Dependent Variable: Keunggulan Bersaing
Sumber: Hasil Pengolahan SPSS (2016)
Berdasarkan Tabel 4.14 dapat dilihat bahwa:
1. R = 0,718 berarti hubungan variabel Entrepreneurial Networking terhadap
Keunggulan Bersaing sebesar 71,8% yang berarti hubungannya erat.
2. R Square sebesar 0,515 berarti 51,5% variabel endogen keunggulan
bersaing dapat dijelaskan oleh variabel eksogen entrepreneurial
3. Standard Error of Estimate (standar deviasi) artinya menilai ukuran
variasi dari nilai yang diprediksi. Dalam penelitian ini standar deviasinya
adalah 2.74776, yang mana semakin kecil standar deviasi berarti model
semakin baik.
D. Uji Signifikan Simultan (Uji - F)
Tabel 4.15
Hasil Uji Signifikan Simultan (Uji F) Substruktur 1
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 425.221 1 425.221 56.319 .000a
Residual 400.161 53 7.550
Total 825.382 54
a. Predictors: (Constant), Entrepreneurial Networking b. Dependent Variable: Keunggulan Bersaing
Sumber: Hasil Pengolahan SPSS (2016)
Berdasarkan Tabel 4.15 dapat dilihat hasil perolehan F hitung pada kolom
F yakni sebesar 56,319 dengan tingkat signifikansi 0,000.Sedangkan F Tabel pada
tingkat kepercayaan 95% (α = 0,005) adalah 2,6. Dengan demikian hipotesis
diterima bahwa entrepreneurial networking secara bersama – sama berpengaruh
positif dan signifikan terhadap keunggulan bersaing. Oleh karena kedua
perhitungannya yaitu F hitung > F tabel dan tingkat signifikansinya 0,000 < 0,05
menunjukkan bahwa pengaruh variabel eksogen entrepreneurial networking
secara serempak atau simultan adalah signifikan terhadap keunggulan bersaing.
E. Uji Signifikan Parsial (Uji - t)
Tabel 4.16
Hasil Uji Signifikan Parsial (Uji - t) Substruktur 1
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 5.375 2.718 1.978 .053 Entrepreneurial Networking .565 .075 .718 7.505 .000
a. Dependent Variable: Keunggulan Bersaing
Sumber: Hasil Pengolahan SPSS (2016)
Berdasarkan Tabel 4.16 dapat dilihat bahwa nilai �
ℎ�����variabel eksogen
entrepreneurial networking adalah 7, 505 dan nilai �
�����adalah 1,661 maka
�
ℎ�����> �
�����sehingga dapat disimpulkan bahwa variabel eksogen
entrepreneurial networking berpengaruh positif dan signifikan (0,00< 0,05)
secara parsial terhadap keunggulan bersaing. Artinya jika ditingkatkan variabel
entrepreneurial networking sebesar satu satuan maka keunggulan bersaing akan
meningkat sebesar 0,718 satuan.
Berdasarkan hasil pengolahan data yang ditunjukkan dalam Tabel 4.16
maka diperoleh persamaan hasil analisis jalur sebagai berikut:
F. Menghitung Nilai Koefisien Korelasi
Tabel 4.17
Nilai Koefisien Korelasi Substruktur 1
Correlations
EntrepreneurialN etworking
KeunggulanBers aing
Entrepreneurial Networking Pearson Correlation 1 .718**
Sig. (2-tailed) .000
N 55 55
Keunggulan Bersaing Pearson Correlation .718** 1
Sig. (2-tailed) .000
N 55 55
**. Correlation is significant at the 0.01 level (2-tailed).