BAB V Hasil Penelitian dan Pembahasan
B. Pengujian Asumsi Klasik
Sebelum melakukan analisis regresi linier berganda, agar didapat perkiraan yang tidak bias dan efisiensi, maka dilakukan pengujian asumsi klasik. Adapun uji asumsi klasik yang dilakukan adalah sebagai berikut:
1. Substruktural I a. Uji Normalitas
Uji normalitas adalah uji yang digunakan untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data dengan bentuk seperti lonceng. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yakni distribusi data tersebut tidak menceng ke kiri atau menceng ke kanan.
Sumber : Hasil Penelitian, 2011 (Data Diolah) Gambar 4.1 Histogram Variabel Dependen
Gambar 4.1 memperlihatkan bahwa variabel terikat yaitu pendapatan premi mempunyai pola berdistribusi normal. Hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau ke kanan.
Uji normalitas juga dapat dilakukan dengan melihat penyebaran data (titik) pada garis diagonal dari grafik normalitas (Normal P-P Plot). Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun jika data menyebar jauh dari
garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Sumber : Hasil Penelitian, 2011 (Data Diolah) Gambar 4.2 Normal P-P Plot
Scatter plot pada Gambar 4.2 memperlihatkan titik-titik yang tersebar di sepanjang garis diagonal dan tidak memotong arah garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal. Namun, seringkali data kelihatan normal karena mengikuti arah garis diagonal, padahal belum tentu data tersebut berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov (1 sample KS) yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asym.sig (2-tailed) > taraf nyata (α = 0,05) maka data residual berditribusi normal, sebaliknya jika
nilai Asym.sig (2-tailed) < taraf nyata (α) maka data residual tidak berdistribusi normal.
Tabel 4.6 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa Mean .0000002
Std. Deviation 2.47266466E9
Most Extreme Differences Absolute .228
Positive .228
Negative -.124
Kolmogorov-Smirnov Z 1.764
Asymp. Sig. (2-tailed) .004
a. Test distribution is Normal.
Sumber : Hasil Penelitian, 2011 (Data Diolah)
Tabel 4.6 memperlihatkan bahwa nilai Asymp.Sig(2-tailed) adalah sebesar 0,04 (lebih kecil dari taraf nyata α = 0,05). Dengan demikian dapat disimpulkan bahwa data residual tidak berdistribusi normal.
Setelah dilakukan uji normalitas diperoleh hasil yaitu data tidak berdistribusi normal. Salah satu cara yang dapat dilakukan apabila data tidak berdistribusi normal yaitu dengan melakukan transformasi data menjadi bentuk natural (Ln).
2. Substruktural II a. Uji Normalitas
Sumber : Hasil Penelitian, 2011 (Data Diolah) Gambar 4.3 Histogram Variabel Dependen
Gambar 4.3 memperlihatkan bahwa variabel terikat yaitu pendapatan premi mempunyai pola berdistribusi normal. Hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau ke kanan.
Uji normalitas juga dapat dilakukan dengan melihat penyebaran data (titik) pada garis diagonal dari grafik normalitas (Normal P-P Plot). Jika data menyebar disekitar garis diagonal, maka dapat disimpulkan bahwa data berdistribusi normal. Namun jika data menyebar jauh dari garis diagonal atau tidak mengikuti arah garis diagonal, maka dapat disimpulkan bahwa data tidak berdistribusi normal.
Sumber : Hasil Penelitian, 2011 (Data Diolah) Gambar 4.4 Normal P-P Plot
Scatter plot pada Gambar 4.4 memperlihatkan titik-titik yang tersebar di sepanjang garis diagonal dan tidak memotong arah garis diagonal. Hal ini menunjukkan bahwa data berdistribusi normal. Namun, seringkali data kelihatan normal karena mengikuti arah garis diagonal, padahal belum tentu data tersebut berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov Smirnov (1 sample KS) yakni dengan melihat data residualnya apakah berdistribusi normal atau tidak. Jika nilai Asym.sig (2-tailed) > taraf nyata (α = 0,05) maka data residual berditribusi normal, sebaliknya jika nilai Asym.sig (2-tailed) < taraf nyata (α) maka data residual tidak berdistribusi normal.
Tabel 4.7 Uji Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa Mean .0000000
Std. Deviation .36910414
Most Extreme Differences Absolute .117
Positive .117
Negative -.076
Kolmogorov-Smirnov Z .908
Asymp. Sig. (2-tailed) .382
a. Test distribution is Normal.
Sumber : Hasil Penelitian, 2011 (Data Diolah)
Tabel 4.7 memperlihatkan bahwa nilai Asymp.Sig(2-tailed) adalah sebesar 0,382 (lebih besar dari taraf nyata α = 0,05). Dengan demikian dapat disimpulkan bahwa data residual berdistribusi normal.
2. Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk mengetahui apakah terdapat hubungan linier antara variabel bebas. Hasil pengujian multikolinieritas dijelaskan dalam Tabel 4.8
Tabel 4.8 Collinearity Statistics Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 11.288 3.441 3.281 .002 LN_PRODUKSI .574 .169 .426 3.402 .001 .927 1.078 LN_PROMOSI -.047 .052 -.112 -.915 .364 .978 1.023 LN_HONOR .011 .050 .027 .218 .828 .930 1.075 LN_PEMBINAAN_ AGEN .025 .097 .032 .258 .797 .960 1.042
a. Dependent Variable: LN_PENDAPATAN_PREMI Sumber : Hasil Penelitian, 2011 (Data Diolah)
Tabel 4.8 memperlihatkan bahwa semua variabel bebas tidak terkena masalah multikolinieritas. Hal ini diperlihatkan dari nilai Variance Inflation Factor (VIF) masing-masing variabel bebas yakni biaya produksi, biaya promosi, honor dan kesejahteraan agen serta biaya pembinaan/pendidikan agen adalah lebih kecil dari 5 (VIF < 5). VIF adalah ukuran yang menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya.
3. Uji Autokorelasi
Uji autokorelasi dilakukan untuk menguji apakah pada model regresi terdapat korelasi kesalahan antara kesalahan pengganggu pada periode ke-t dan kesalahan pengganggu pada periode sebelumnya (periode ke t-1). Gejala autokorelasi dideteksi dengan menggunakan Durbin Watson test. Kriteria pengambilan keputusan uji autokorelasi ditunjukkan dalam Tabel 4.9 sebagai berikut :
Tabel 4.9
Kriteria Pengambilan Keputusan
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < DW < dl Tidak ada autokorelasi positif No decision dl ≤ DW ≤ du Tidak ada korelasi negatif Tolak 4-dl < DW < 4 Tidak ada korelasi negatif No decision 4-du ≤ DW ≤ 4-dl Tidak ada autokorelasi positif atau
negatif
Tidak ditolak du < DW < 4-du Sumber: Ghozali (2005:96)
Keterangan : du = batas atas dl = batas bawah
Kriteria yang menunjukkan bahwa tidak terjadi autokorelasi adalah du <
DW < 4-du (Ghozali, 2005:96). Hasil pengujian autokorelasi yang
dilakukan dengan SPSS ditampilkan pada Tabel 4.10. Tabel 4.10
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .448a .201 .143 .38229 1.587
a. Predictors: (Constant), LN_PEMBINAAN_AGEN, LN_HONOR, LN_PROMOSI, LN_PRODUKSI
b. Dependent Variable: LN_PENDAPATAN_PREMI Sumber : Hasil Penelitian, 2011 (Data Diolah)
Tabel 4.10 menunjukkan bahwa nilai Durbin Watson adalah sebesar 1,587. Sedangkan hasil pengujian menurut tabel adalah sebagai berikut :
n = jumlah sampel = 60 k = jumlah variabel bebas = 4
Pada tingkat signifikansi α = 0,05 diperoleh du = 1,558
Dengan demikian, dapat disimpulkan bahwa tidak terjadi masalah autokorelasi pada model regresi penelitian ini.
4. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya. Model regresi yang baik adalah yang tidak terjadi heteroskedastisitas. Heteroskedastisitas dapat dideteksi dengan melihat penyebaran plot melalui gambar scatterplot yang tampak pada Gambar 4.5.
Sumber : Hasil Penelitian, 2011 (Data Diolah) Gambar 4.5 Scatterplot Variabel Dependen
Grafik scatterplot yang ditampilkan pada Gambar 4.5, memperlihatkan titik-titik tidak menyebar secara acak namun tidak membentuk sebuah
pola tertentu yang jelas serta tidak tersebar baik diatas maupun dibawah angka nol pada sumbu Y. Hal ini memenuhi salah satu asumsi bahwa tidak terjadi heteroskedastisitas pada model regresi. Heteroskedastisitas dapat juga dideteksi melalui Uji Glejser. Tabel 4.11 berikut ini menampilkan hasil pengujian heteroskedastisitas dengan Uji Glejser.
Tabel 4.11 Hasil Uji Glejser
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -1.163 2.264 -.514 .609 LN_PRODUKSI .147 .111 .172 1.319 .193 .927 1.078 LN_PROMOSI -.018 .034 -.068 -.534 .596 .978 1.023 LN_HONOR -.091 .033 -.357 -2.746 .081 .930 1.075 LN_PEMBINAAN_ AGEN .032 .064 .065 .504 .616 .960 1.042
a. Dependent Variable: ABSUT
Sumber : Hasil Penelitian, 2011 (Data Diolah)
Tabel 4.11 memperlihatkan bahwa semua variabel bebas tidak signifikan terhadap variabel terikat. Hal ini ditunjukkan oleh nilai signifikansi dari masing-masing variabel bebas lebih besar dari tingkat
signifikansi α (sig > 0,05). Dengan demikian dapat disimpulkan bahwa data bebas dari heteroskedastisitas.
C. Analisis Data Statistik