BAB IV : HASIL DAN PEMBAHASAN
4.3 Pengujian Asumsi Klasik
Analisis ini perlu dilaksanakan untuk mengetahui apakah data tersebut bisa dilaksanakan uji model regresi. Pengujian asumsi klasik untuk menentukan syarat persamaan yang pada model regresi dan diterima secara ekonometrik. Umumnya
pengujian asumsi klasik meliputi pengujian Multikolonieritas, Autokorelasi, Heteroskedastisitas, Normalitas, dan Linearitas (Ghozali,2005:91). Dalam penelitian ini uji autokorelasi tidak dilaksanakan.
4.3.1 Uji Multikolinearitas
Pengujian Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antara variabel independen dan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu penelitian ke penelitian lainnya.
Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel independen. Jika variabel independen saling berkorelasi maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antara sesama variabel independen sama dengan nol.
Ringkasan hasil uji kolerasi multikolinearitas dapat dilihat dari Tabel 4-4 : Tabel 4-4 : Pengujian Multikolinearitas
Coefficients
Model
Unstandardized Coeficients
Standardized
Coeficients Collinearity Statistics
B Std
Error
Beta t Sig Tolerance VIF
1 (Constant) 3.771 .489 7.705 .000
X1 -.395 .114 -.456 -3.469 .001 .887 1.127
X2 .279 .145 .250 1.922 .060 .907 1.103
AbsInteraksi -.002 .181 -.001 -.011 .991 .975 1.026
a. Dependent Variable: Y
Berdasarkan Tabel 4-4 menunjukkan tidak terjadi multikolinearitas antar variabel dalam model regresi karena nilai Tolerance berkisar 0.887 sampai 0.975 dan nilai VIF berkisar antara 1.026 sampai 1.127
Menurut Ghozali (2005) besarnya nilai VIF dianggap tidak terjadi multikolinearitas bila lebih kecil dari 10. Dengan demikian disimpulkan bahwa model regresi ini tidak terjadi multikolinearitas.
Hal ini juga dipertegas dengan tabel pengujian multikolinearitas dengan Metode Matrik Korelasi pada Tabel 4-5 sebagai berikut :
Tabel 4-5 : Pengujian Multikolinearitas Dengan Metode Matrik Korelasi
X1 X2 AbsInteraksi X1 Pearson Correlation 1 .306 .157 Sig. (2-tailed) .022 .247 N 56 56 56 X2 Pearson Correlation .306 1 .058 Sig. (2-tailed) .022 .671 N 56 56 56
AbsInteraksi Pearson Correlation .157 .058 1
Sig. (2-tailed) .247 .671
N 56 56 56
Correlation is significant at the 0.05 level (2-tailed)
Hasil pengujian berdasarkan Matrik Korelasi pada Tabel 4-5 menunjukkan koefisien korelasi antar variabel lainnya yaitu sebesar 0.157 atau sebesar 15.70% maka disimpulkan data tersebut tidak mengalami multikolinearitas.
4.3.2 Uji Normalitas
Uji Normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Uji t dan Uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.
Normal Probability Plot adalah membandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk suatu garis lurus diagonal dan ploting data akan dibandingkan dengan garis diagonal. Jika distribusi data normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya (Ghozali,2005).
Berdasarkan tampilan grafik normal P-P Plot pada Gambar 4-1 berikut yang diambil dari Lampiran 7, menunjukkan titik – titik menyebar disekitar garis diagonal serta penyebarannya mengikuti arah garis diagonal.
Hal ini berarti model regresi mempunyai distribusi normal atau mendekati normal, sehingga regresi layak dipakai untuk memprediksi variabel dependen yaitu kinerja manajerial berdasarkan masukan variabel independennya.
1.0 0.8 0.6 0.4 0.2 0.0
Observed Cum Prob 1.0 0.8 0.6 0.4 0.2 0.0 Expec
ted Cum Prob
Dependent Variable: Y
Normal P-P Plot of Regression Standardized Residual
Gambar 4-1 : Normal P-P Plot Uji Normalitas
Selain dengan grafik uji normalitas data dapat menggunakan uji kolmogorov-Smirnov (Uji K-S). Hal ini diketahui dari nilai Kolmogorov kolmogorov-Smirnov sebesar 0.599 untuk data residualnya. Jika signifikasi nilai K-S lebih besar dari 0.05 maka dapat
dinyatakan bahwa data ini merupakan distribusi normal yang didukung oleh Gambar 4-2 sebagai berikut : 3 2 1 0 -1 -2 Regression Standardized Residual 12 10 8 6 4 2 0 Freq uency Mean = 3.47E-18 Std. Dev. = 0.972 N = 56 Dependent Variable: Y Histogram
Gambar 4-2 : Grafik Histogram
Dengan melihat tampilan grafik histogram dan grafik normal probability plot pada Gambar 4-1 dan 4-2 disimpulkan bahwa kedua grafik tersebut dapat dikatakan memenuhi asumsi normalitas dan model regresi layak untuk dipakai.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati sebab itu uji normalitas dapat dilakukan dengan uji statistik sederhana dengan melihat nilai kurtosis dan skewness dari residual.
Tabel 4-6 : Uji Normalitas dengan Uji Skewness dan Kurtosis
Descriptive Statistics
N Skewness Kurtosis
Statistic Statistic Std. Error Statistic Std. Error
Unstandardized Residual 56 .243 .319 -.694 .628
Zskewness = Skewness/√6/N dan Zkurtosis = Kurtosis/√24/N
dalam penelitian ini diperoleh nilai Zskewness sebesar 0.743 dan Zkurtosis sebesar 1.061 sedangkan Ztabel untuk data 56 adalah sebesar 2.000.
Jadi dapat disimpulkan nilai Zskewness dan Zkurtosis dibawah nilai tabel sehingga data terdistribusi normal.
4.3.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heteroskedastisitas.
Cara untuk mengetahui adanya masalah heteroskedastisitas adalah dengan menggunakan uji Glejser dengan meregres nilai absolut residual terhadap variabel independen (Gujarati,2003) dengan persamaan regresi:Ut = + Xt+vt. pada Tabel 4-7
Tabel 4-7 : Pengujian Heteroskedastisitas dengan Uji Glejser
Coefficients Model Unstandardized Coeficients Standardized Coeficients
B Std Error Beta t Sig
1 (Constant) .554 .244 2.268 .028
X1 .176 .057 .416 3.107 .003
X2 -.109 .072 -.199 -1.505 .138
AbsInteraksi -.125 .091 -.176 -1.381 .173
a. Dependent Variable: AbsRes
Dari Tabel 4-6 diperoleh hasil output SPSS, menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel
dependen nilai absolut UT (AbsUt). Hal ini terlihat dari probabilitas signifikansinya diatas tingkat kepercayaan 5%. Jadi dapat disimpulkan model regresi tidak mengandung adanya heteroskedastisitas.
Metode lain yang dapat digunakan untuk mendeteksi ada atau tidak adanya masalah heteroskedastisitas dengan melihat residual plot pada persamaan regresi antar masing-masing variabel independen terhadap variabel dependen.
Apabila residual plot yang terjadi tidak menggambarkan pola tertentu yang sistematis, lebih bersifat acak dan berada diatas serta dibawah nol pada sumbu Y, maka persamaan ini dapat dipakai dalam penelitian memenuhi syarat asumsi homoskedastisitas dan tidak ada masalah heteroskedastisitas. Hasil pengujian penelitian dapat dilihat pada Gambar 4-7 :
3 2 1 0 -1 -2
Regression Standardized Predicted Value
3 2 1 0 -1 -2 R e gr es si on Stud en ti ze d Res id ua l Dependent Variable: Y Scatterplot
Dari gambar diatas memperlihatkan titik dalam grafik plot menyebar merata diatas dan dan dibawah nol pada sumbu Y sehingga dapat disimpulkan tidak terjadi pelanggaran asumsi klasik heteroskedastisitas.
4.3.4 Uji Linearitas
Uji linearitas untuk mengetahui spesifikasi model yang digunakan sudah benar atau tidak. Dari pengujian ini diketahui model sebaiknya dalam bentuk linear, kuadrat atau kubik.
Pengujian dapat dilakukan dengan Ramsey test (RESET), dengan membuat asumsi bahwa fungsi ini adalah fungsi linear untuk mendapatkan F-hitung.
Tabel 4-8 : Pengujian Linearitas dengan Ramsey Test
Model Summary
Model R R Square Adjusted
R Square
Std Error of the Estimate 1 .889 .791 .774 .42921 a. Predictors : (constant), DFFIT, AbsInteraksi, X2,X1
Hasil tampilan output SPSS menunjukkan bahwa R2new=0.791 dan R2old=0.201 dari data tersebut diperoleh nilai Fhitung sebesar 143.90. Jadi F hitung > F table maka dapat disimpulkan model regresi tidak dalam bentuk linier
