ANALISIS HASIL PENELITIAN
C. Pengujian Asumsi Klasik
Pengujian asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali (2006:123) asumsi klasik yang harus dipenuhi adalah:
1. Berdistribusi normal,
2. Non-multikolinearitas, artinya antara variabel independen dalam model regresi tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
3. Non-autokorelasi, artinya kesalahan pengganggu dalam model regresi tidak saling berkorelasi,
4. Homokedastisitas, artinya variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
1. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui varians pengganggu atau residual berdistribusi secara normal serta untuk menghindari adanya bias dalam model regresi. Pengujian normalitas data dalam penelitian ini menggunakan uji statistik non-parametrik Kolmogorov-Smirnov (K-S), dengan membuat hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal
Apabila nilai signifikansi lebih besar dari 0.05 maka H0 diterima, sedangkan jika nilai signifikansi lebih kecil dari 0.05 maka H0 ditolak.
Tabel 4.4 Hasil Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
DPR EPS HS
N 45 45 45
Normal Parametersa Mean
3.589867E1 1.760447E2 2.260666E 4 Std. Deviation 4.3332534E 1 2.3441870E2 4.8533892 E4 Most Extreme Differences Absolute .258 .237 .321 Positive .258 .237 .306 Negative -.204 -.228 -.321 Kolmogorov-Smirnov Z 1.734 1.589 2.155
Asymp. Sig. (2-tailed) .005 .013 .000
a. Test distribution is Normal. Sumber : Diolah Peneliti (2011)
Dari hasil pengolahan data tersebut, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal, dimana variabel dalam penelitian DPR dan HS yang memiliki nilai signifikansi yang lebih kecil dari 0.05 (5%) yakni sebesar 0.005 untuk DPR dan HS sebesar 0,00 serta nilai EPS 0.013 sehingga tidak dapat dilakukan pengujian lebih lanjut. Untuk itu, perlu dilakukan tindakan perbaikan (treatment) agar model regresi memenuhi asumsi normalitas. Beberapa cara untuk mengubah model regresi menjadi normal, menurut Jogiyanto (2004:172) terdapat
a. Dengan melakukan transformasi data, yaitu mengubah nilai-nilai observasi data ke dalam bentuk logaritma sehingga membentuk distribusi yang normal,
b. Trimming, yaitu memangkas (membuang) observasi yang bersifat outlier, yaitu nilainya lebih kecil dari µ - 2σ atau lebih besar dari µ + 2σ,
c. Winzorising, yaitu mengubah nilai-nilai outlier menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
Setelah melihat tabel 4.4 dapat disimpulkan bahwa perhitungan Kolmogorov-Smirnov menunjukkan data tidak terdistribusi secara normal. Untuk itu, peneliti melakukan transformasi data ke model akar kuadrat (SQRT), hal ini di karenakan histogramnya menunjukkan moderate positive skewnwss sehaingga tranformasi yang harus dilakukan menggunakan akar kuadrat (SQRT) (Ghazali, 2006 : 33). Kemudian data diuji ulang berdasarkan asumsi normalitas. Berikut ini hasil pengujian dengan Kolmogorov-Smirnov.
Tabel 4.5
Hasil Uji Normalitas Setelah Transformasi Akar Kuadrat One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 45
Normal Parametersa Mean .0000000
Std. Deviation 1.02880524E2 Most Extreme Differences Absolute .145 Positive .145 Negative -.108 Kolmogorov-Smirnov Z .974
Asymp. Sig. (2-tailed) .299
a. Test distribution is Normal. Sumber : Diolah Peneliti (2011)
Dari tabel 4.5 dapat disimpulkan bahwa data dalam model regresi telah terdistribusi secara normal. Kesimpulan ini dapat dilihat dari signifikan dari variabel sebesar 0.299 dan hal ini lebih besar dari 0.05 sehingga H0 diterima atau data terdistribusi secara normal.
Dengan demikian secara keseluruhan dapat disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya. Untuk lebih jelasnya berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal:
Histogram
Sumber : Diolah Peneliti (2011)
Dari grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng (skewness) kiri maupun menceng kanan atau normal.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot berikut ini:
Grafik Normal Plot
Sumber : Diolah Peneliti (2011)
Pada grafik normal plot terlihat titik-titik menyebar di sekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
2. Uji Multikolinearitas
Ghozali (2006:91) menyatakan “uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen)”. Multikolinearitas menunjukkan ada tidaknya variabel independen yang memiliki kemiripan atau hubungan dengan variabel independen lain dalam model regresi. Untuk mengetahui ada tidaknya multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF), apabila nilai VIF > 10 maka terjadi multikolinearitas dan apabila VIF < 10 maka tidak terjadi multikolinearitas.
Tabel 4.6
Hasil Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolera nce VIF 1 (Constant) 122.784 38.092 3.223 .002 SQRTDPR 5.428 5.103 .151 1.064 .294 .985 1.015 SQRTEPS -4.744 1.913 -.353 -2.480 .017 .985 1.015 a. Dependent Variable: SQRTHS
Dengan demikian, dari data tabel 4.6 disimpulkan dalam model regresi tidak terjadi multikolinearitas dengan dasar nilai VIF untuk setiap variabel independen tidak ada yang melebihi 10 dan nilai tolerance tidak ada yang kurang dari 0.1, maka dapat dilakukan analisis lebih lanjut dengan menggunakan model regresi berganda.
3. Uji Heterokedastisitas
Ghozali (2006:105) menyatakan “uji heterokedastisitas bertujuan untuk mengetahui apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya”. Jika variance dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas, dan jika berbeda disebut heterokedastisitas. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas.
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heterokedastisitas adalah dengan melihat plot grafik yang dihasilkan dari pengolahan data menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
a. Jika ada pola tertentu, seperti titik-titik yang teratur, maka telah terjadi heterokedastisitas,
b. Jika tidak ada pola tertentu, serta titik-titik yang menyebar tidak tertentu, maka tidak terjadi heterokedastisitas atau terjadi homokedastisitas.
Berikut ini dilampirkan gambar scatterplot untuk menganalisis apakah terjadi heterokedastisitas atau terjadi homokedastisitas dengan mengamati penyebaran
titik-titik .
Gambar 4.3 Hasil Uji Heterokedastisitas
Sumber : Diolah Peneliti (2011)
Dari gambar scatterplot terlihat bahwa titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Hal ini dapat disimpulkan bahwa tidak terjadi heterokedastisitas pada model regresi sehingga model ini layak dipakai dalam penelitian ini.
4. Uji Autokorelasi
Pengujian Autokorelasi menurut Ghozali (2006:95) “bertujuan untuk menguji apakah dalam model regresi linear ada korelasi pengganggu antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1”. Autokorelasi menunjukkan adanya korelasi diantara data pengamatan yang tersusun baik seperti data cross sectional dan/atau time series. Autokorelasi
menunjukkan adanya kesalahan pengganggu (residual) tidak bebas dari satu pengamatan ke pengamatan lain. Jika terjadi autokorelasi dalam model regresi berarti koefisien korelasi yang diperoleh menjadi tidak akurat, sehingga model regresi yang baik adalah model yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi digunakan uji Durbin-Watson, dengan kriteria menurut Triton P. B. (2006:158) dengan cara melihat besaran Durbin-Watson sebagai berikut:
a. Jika angka D-W > dU, maka tidak ada autokorelasi, b. Jika angka D-W < dU, maka terjadi autokorealsi,
c. Jika dL < D-W < dU, maka tidak dapat dideteksi apakah terjadi autokorelasi atau tidak.
Berikut ini hasil uji Durbin-Watson dengan menggunakan program SPSS:
Tabel 4.7 Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .401a .161 .121 105.30157 1.992
a. Predictors: (Constant), SQRTEPS, SQRTDPR b. Dependent Variable: SQRTHS
Sumber : Diolah Peneliti (2011)
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin-Watson (D-W) sebesar 1.992. Nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5%, jumlah sampel 45 dan jumlah variabel independen 1 (K=1), maka di tabel Durbin-Watson di dapat nilai batas atas (dU) 1.288 dan nilai batas bawah (dL) 1.376. Oleh karena itu, nilai DW lebih besar dari