BAB IV METODE PENELITIAN
4.6. Metode analisis data
4.6.2. Pengujian Asumsi Klasik
Sebelum dilakukan pengujian hipotesis yang menggunakan analisis regresi, maka diperlukan pengujian klasik yang meliputi Uji Normalitas Data dan Uji Multikolinearitas. Uji Normalitas Data dan Uji Multikolinearitas dapat dijelaskan sebagai berikut :
a. Uji Normalitas Data
Tujuan uji normalitas data adalah untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai pola seperti bentuk lonceng pada diagram histogram. Uji normalitas data yang digunakan dalam penelitian ini adalah Uji Kolmogorov-Smirnov. Kriteria pengujian satu sampel menggunakan pengujian satu sisi yaitu dengan membandingkan probabilitas dengan tingkat signifikansi tertentu yaitu :
1. Nilai Signifikansi atas probabilitas < 0,05 maka distribusi data adalah tidak normal;
2. Nilai Signifikansi atas probabilitas > 0,05 maka distribusi data adalah normal
Selain melihat nilai signifikansi dari uji Kolmogorov-Smirnov, untuk melihat apakah suatu data mempunyai distribusi normal dapat dilihat dari nilai Z skewness dan dengan melihat grafik.
b. Uji Multikolinearitas
Uji ini diperlukan untuk mengetahui ada tidaknya variable independen yang memiliki kemiripan dengan variable independen lain dalam satu model. Kemiripan antar variable independen dalam satu model akan menyebabkan terjadinya korelasi yang sangat kuat antara suatu variable independen dengan variable independen lainnya. Ketentuan untuk mendeteksi ada tidaknya multikolinieritas yaitu :
1. Jika nilai variance inflation factor (VIF) tidak lebih dari 10 (atau di bawah 10) dan nilai tolerance tidak kurang dari 0,1 ( di atas 0,1), maka model dapat dikatakan bebas dari multikolinieritas VIF = 1/Tolerance, jika VIF = 10, maka tolerance = 1/10 = 0,1. Semakin tinggi VIF, maka semakin rendah tolerance.
2. Jika nilai koefisien korelasi antar masing-masing variable independen kurang dari 0,70 ( di bawah 0,7), maka model dapat dinyatakan bebas dari asumsi klasik multikolinieritas. Jika lebih dari 0,7, maka diasumsikan
terjadi korelasi yang sangat kuat antar variable independen sehingga terjadi multikolinieritas.
3. Jika nilai koefisien determinan, baik dilihat dari R2 ( R-Square) di atas 0,60 namun tidak ada variable independen yang berpengaruh terhadap dependen, maka diduga model tersebut terpengaruh multikolonieritas. c. Uji Heterokedastisitas
Suliyanto (2011) menyatakan, Heterokedastisitas berarti ada varian variabel pada model regresi yang tidak sama (konstant). Sebaliknya, jika varian variabel pada model regresi memiliki nilai yang sama (konstant) maka disebut dengan homokedastisitas. Yang diharapkan pada model regresi adalah yang homokedastisitas. Masalah heterokedastisitas sering terjadi pada penelitian yang menggunakan data cross-section. Beberapa contoh penyebab perubahan nilai varian yang berpengaruh pada homokedastisitas residualnya :
1. Adanya pengaruh kurva pengalaman (learning curve).
Dengan semakin meningkatnya pengalaman maka akan semakin menurun tingkat kesalahannya. Akibatnya, nilai varian makin lama makin menurun. 2. Adanya peningkatan perekonomian.
Dengan semakin meningkatnya perekonomian maka semakin beragam tingkat pendapatan sehingga alternatif pengeluaran juga akan semakin besar. Hal ini akan meningkatkan varian.
3. Adanya peningkatan teknik pengambilan data.
Jika teknik pengumpulan data semakin membaik, nilai varian cenderung mengecil. Misalnya bank yang menggunakan peralatan Electronic Data
Processing (EDP) akan membuat kesalahan yang relatif kecil dalam laporan dibandingkan dengan bank yang tidak mempunyai peralatan tersebut.
Untuk mendeteksi adanya masalah heterokedastisitas dapat digunakan metode analisis grafik dan metode statistik.
Selanjutnya menurut Suliyanto (2011), metode analisis grafik dilakukan dengan mengamati scatterplot dimana sumbu horizontal menggambarkan nilai Predicted Standardized sedangkan sumbu vertikal menggambarkan nilai Residual Studentized. Jika scatterplot membentuk pola tertentu, hal itu menunjukkan adanya masalah heterokedastisitas pada model regresi yang dibentuk. Sedangkan jika scatterplot menyebar secara acak maka hal itu menunjukkan tidak terjadi masalah heterokedastitisitas pada model regresi yang dibentuk. Untuk mendeteksi secara lebih lanjut mengenai variabel bebas mana yang menjadi penyebab terjadinya masalah heterokedastitisitas, kita dapat mengamati scatterplot dimana variabel bebas sebagai sumbu horizontal dan nilai residual kuadratnya sebagai sumbu vertikal. Namun metode ini dapat bersifat subyektif. Artinya, dengan scatterplot yang sama, antara orang satu dengan orang yang lain dapat memberikan kesimpulan yang berbeda mengenai pola scatterplot itu. Disamping itu, metode ini juga sulit diinterpretasikan jika jumlah pengamatan semakin sedikit. Uji heterokedastisitas dengan analisis grafik dilakukan dengan langkah sebagai berikut : (1) membuat persamaan regresi, (2) mencari nilai prediksi ( Ŷ), (3) mencari nilai residual ( Y – Ŷ), (4) mentransformasikan nilai residual ke dalam bentuk standardized. (5) mentransformasikan nilai prediksi ke dalam
bentuk standardized, (6) membuat plot di mana sumbu vertikal residual studentized, sedangkan sumbu hori
Uji Heterokedastisitas dilakukan untuk mengetahui adanya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain, atau gambaran hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut. Model Regresi yang baik adalah model regresi yang memiliki persamaan variance residual suatu periode pengamatan dengan pengamatan yang lain, atau adanya hubungan antara nilai yang diprediksi dengan Studentized Delete Residual nilai tersebut sehingga dapat dikatakan model tersebut homokedastisitas.
Cara memprediksinya adalah jika pola gambar Scatterplot model tersebut adalah :
1. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. 2. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data sebaiknya tidak berpola.
Langkah membuat uji ini dilakukan bersamaan dengan uji regresi linier berganda secara keseluruhan.
d. Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu (et) pada periode tertentu dengan variabel pengganggu periode sebelumnya (et-1). Autokorelasi sering terjadi pada
sampel dengan data time series dengan n-sampel adalah periode waktu. Sedangkan untuk sampel data crossection dengan n-sampel item seperti Nama Kota, Nama Orang, Nama Daerah, dan sebagainya jarang terjadi, karena variabel penggangu item sampel yang satu berbeda dengan yang lainnya. Cara menguji autokorelasi adalah dengan melihat model regresi linier berganda terbebas dari autokorelasi apabila nilai Durbin Watson berada dibawah angka 2. Kriteria pengujian autokorelasi dengan Uji Durbin – Warson adalah sebagai berikut ( Durbin, 1951) seperti dikutip Suliyanto (2011).
Tabel 4.3. Kriteria Pengujian AutoKorelasi dengan Uji Durbin- Watson
DW Kesimpulan
< dL Ada otokorelasi (+)
dL s.d. dU Tanpa kesimpulan
dU s.d. 4 - dU Tidak ada korelasi
4 – dU s.d. 4 - dL Tanpa Kseimpulan
Ø 4 - dL Ada otokorelasi (-)
4.6.3. Pengujian Hipotesis
Pengujian statistik selanjutnya adalah uji hipotesis yang bertujuan untuk menguji kebenaran dari dugaan peneliti atas penelitian yang dilakukan. Langkah- langkahnya adalah sebagai berikut :
a. Pengujian hipotesis dengan uji t bertujuan untuk menentukan apakah ada pengaruh secara parsial antara Variabel Profesionalisme, variabel kepuasan kerja dan variabel komitmen organisasi dengan Kinerja Pemeriksa dengan asumsi bahwa variabel lain dianggap konstan. Dasar
pengambilan keputusan adalah jika t hitung > t tabel maka Variabel Profesionalisme, variabel kepuasan kerja dan variabel komitmen organisasi berpengaruh secara parsial terhadap Kinerja Pemeriksa . Jika t hitung < t tabel maka Variabel Profesionalisme, variabel kepuasan kerja dan variabel komitmen organisasi tidak berpengaruh secara parsial terhadap Kinerja Pemeriksa.
b. Pengujian hipotesis dengan uji F bertujuan untuk menentukan apakah ada pengaruh secara simultan ( bersama-sama) antara variabel independen dan variabel dependen. Pada tabel Anova uji F yang akan menguji semua variabel bebas yang akan mempengaruhi persamaan regresi. Dasar pengambilan keputusan adalah jika F hitung > F tabel maka Variabel Profesionalisme, variabel kepuasan kerja dan variabel komitmen organisasi tidak berpengaruh secara simultan terhadap Kinerja Pemeriksa. Jika F hitung < F tabel maka Variabel Profesionalisme, variabel kepuasan kerja dan variabel komitmen organisasi berpengaruh secara simultan terhadap Kinerja Pemeriksa.
Tingkat signifikansi yang digunakan dalam penelitian ini adalah 0,05 (α = 0,05) karena banyak digunakan pada penelitian ilmu-ilmu sosial dan dianggap cukup tepat untuk mewakili hubungan antara variabel yang diteliti.
5.1. Hasil Penelitian
