Pembahasan Substruktur 1 (Pengaruh Langsung) :

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 Test

Unstandardized Residual

N 55

Normal Parameters^a,,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

Coefficients^a 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

Coefficients^a 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

ANOVA^b

Model Sum of Squares Df Mean Square F Sig.

1 Regression 686.933 1 686.933 56.319 .000^a

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 Summary^b Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .718^a .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

Coefficients^a 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 (�

) digunakan

untuk mengukur seberapa besar pengaruh variabel bebas. Uji koefisien

determinasi (�

) adalah dengan presentasi pengkuadratan nilai koefisien yang

ditemukan. Koefisien determinan (�

) berkisar antra 0 (nol) sampai dengan 1

(satu) , (0 ≤ �

≤ 1). Hal ini berarti �

semakin 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 Summary^b Model R R Square Adjusted R Square Std. Error of the Estimate 1 .718^a .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

ANOVA^b

Model Sum of Squares Df Mean Square F Sig.

1 Regression 425.221 1 425.221 56.319 .000^a

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

Coefficients^a 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).

Sumber: Hasil Pengolahan SPSS (2016)

Dari hasil perhitungan tabel 4.17 diatas terlihat bahwa:

Hubungan entrepreneurian networking terhadap keunggulan bersaing dan

sebaliknya adalah kuat (0,718) dan signifikan (0,000).

G. Menggambarkan Koefisien Jalur Substruktur 1

R = 0,718, �

= 0,515, F Hitung = 56,319

Sumber: Hasil Pengolahan SPSS (2016)

Gambar 4. 3

Koefisien Jalur Substruktur 1

Entrepreneurial

Networkinng (X)

Keunggulan

Bersaing(Y)

�

1 = 0, 696 P2 = 0,718

H. Rangkuman Hasil Koefisien Jalur Substruktur I

Tabel 4.18

Rangkuman Hasil Koefisien Jalur Sub Struktur 1

Dari Ke Standart

Coefficient

T

Hitung

F

Hitung

Hasil

Pengujian �

e

X1 Y1 0,718 7,505 56, 319 H0 ditolak 0,515 0,785

Sumber: Hasil Pengolahan SPSS (2016)

a. Secara simultan entrepreneurial networking berpengaruh positif dan

signifikan terhadap keunggulan bersaing.

b. Secara parsial entrepreneurial netowrking terhadap keunggulan

bersaing.

c. R Square sebesar 0,515 berarti 51,5% variabel endogen keunggulan

bersaing dapat dijelaskan oleh variabel eksogenentrepreneurial

networking. Sedangkan sisanya sebesar 48,5% dapat dijelaskan oleh

variabel lain yang tidak diteliti dalam penelitian ini.

d. Hasil pengujian dari variabel entrepreneurial networking terhadap

keunggulan bersaing adalah H0 ditolak maka hipotesis diterima.

Dalam dokumen Pengaruh Entrepreneurial Networking Terhadap Kineja Usaha Melalui Keunggulan Bersaing (Studi Kasus pada UMKM di Kota Medan) (Halaman 58-71)