BAB 4 HASIL PENELITIAN DAN PEMBAHASAN
4.3 Analisa Data
4.3.2 Uji Asumsi Klasik
Uji asumsi klasik ini dilakukan karena dalam model regresi perlu memperhatikan adanya penyimpangan-penyimpangan atas asumsi klasik, karena pada hakekatnya jika asumsi klasik tidak dipenuhi maka variabel-variabel yang menjelaskan akan menjadi tidak efisien. Asumsi-asumsi klasik yang harus dipenuhi yaitu : asumsi normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.
4.3.2.1 Uji Normalitas
Pengujian ini dilakukan untuk mengetahui apakah distribusi sebuah data telah mengikuti atau mendekati distribusi normal. Data yang baik adalah data yang mempunyai pola seperti distribusi normal, yaitu distribusi data tidak menceng ke kiri atau ke kanan. Cara yang digunakan untuk mendeteksi apakah data berdistribusi normal atau tidak yaitu dengan pendekatan histogram, grafik, dan Kolmogorov-Smirnov.
Sumber: Hasil penelitian, 2014 (data diolah) Gambar 4.2 Hasil Uji Normalitas (Histogram)
Histogram pada Gambar 4.2 diketahui bahwa data variabel berdistribusi normal. Hal ini ditunjukkan oleh distribusi data yang tidak menceng ke kiri atau menceng ke kanan (kurvanya berbentuk lonceng).
Sumber: Hasil penelitian, 2014 (data diolah) Gambar 4.3 Hasil Uji Normalitas (Normal P-P Plot)
Grafik normal probability plot pada Gambar 4.3 dapat diketahui bahwa titik-titik mengikuti data disepanjang garis diagonal. Hal ini berarti data berdistribusi normal. Untuk memastikan apakah data di sepanjang garis diagonal tersebut berdistribusi normal atau tidak, maka dilakukan uji Kolmogorov-Smirnov (1 sample K-S) yang hasilnya tampak pada Tabel 4.9 berikut ini.
Tabel 4.9 Hasil Uji Normalitas
(One-Sample Kolmogorov-Smirnov)
Unstandardized Residual
N 76
Normal Parametersa,b Mean .0000000
Std. Deviation 5.96651602
Most Extreme Differences Absolute .084
Positive .062
Negative -.084
Kolmogorov-Smirnov Z .730
Asymp. Sig. (2-tailed) .661
a. Test distribution is Normal. b. Calculated from data.
Berdasarkan uji Kolmogorov-Smirnov (1 sample K-S) pada Tabel 4.9 menunjukkan besarnya nilai Asymp. Sig. (2-tailed) adalah 0,661 berada di atas nilai signifikan 0,05 dan nilai Kolmogorov-Smirnov Z sebesar 0,730 lebih kecil dari 1,97. Hal ini berarti data terdistribusi normal, sehingga dari uji ini menunjukkan bahwa model regresi memenuhi asumsi normalitas.
4.3.2.2 Uji Multikolinieritas
Uji multikolinieritas bertujuan untuk melihat apakah dalam model regresi ditemukan adanya korelasi antara variabel independen satu dengan yang lainnya. Uji ini dilakukan dengan melihat collinearity statistics dan koefisien korelasi antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilakukan dengan melihat nilai tolerance variable dan Variance Inflation Factor (VIF). Dengan ketentuan jika VIF < 5 atau tolerance > 0,1 maka tidak terjadi multikolinieritas. Hasil pengujian statistik multikolinieritas tampak pada Tabel 4.10 berikut ini.
Tabel 4.10
Hasil Uji Multikolinieritas
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 40.562 5.832 6.955 .000 Jenis_Kelamin -3.516 1.471 -.265 -2.390 .020 .965 1.036 Usia .265 .835 .035 .317 .752 .974 1.026 Pendidikan -.102 1.134 -.010 -.090 .929 .884 1.131 Status_Perkawinan -2.865 2.219 -.148 -1.291 .201 .905 1.105 Jumlah_Anak 2.859 1.093 .291 2.617 .011 .959 1.042 Pendapatan -.087 1.159 -.008 -.075 .940 .949 1.053
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 40.562 5.832 6.955 .000 Jenis_Kelamin -3.516 1.471 -.265 -2.390 .020 .965 1.036 Usia .265 .835 .035 .317 .752 .974 1.026 Pendidikan -.102 1.134 -.010 -.090 .929 .884 1.131 Status_Perkawinan -2.865 2.219 -.148 -1.291 .201 .905 1.105 Jumlah_Anak 2.859 1.093 .291 2.617 .011 .959 1.042 Pendapatan -.087 1.159 -.008 -.075 .940 .949 1.053
a. Dependent Variable: Toleransi_Risiko
Sumber: Hasil penelitian, 2014 (data diolah)
Berdasarkan dari hasil perhitungan nilai VIF, tidak satupun variabel independen yang memiliki nilai lebih dari 5, karena nilai VIF tertinggi sebesar 1,131 dan nilai tolerance seluruh variabel independen menunjukkan hasil lebih dari 0,1. Sehingga dapat disimpulkan bahwa pada model regresi tidak terjadi gejala multikolinieritas antar variabel independen.
4.3.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan varians dari residual satu pengamatan ke pengamatan lain tetap, maka terjadi homokedastisitas dan jika berbeda maka disebut heteroskedastisitas. Model regresi yang baik adalah tidak terjadi heteroskedastisitas. Cara untuk melihat apakah heteroskedastisitas atau tidak, dapat dilakukan melalui pendekatan grafik.
Pendekatan grafik, titik-titik pada data harus tidak mencerminkan suatu pola tertentu atau dapat dikatakan acak. Gambar grafik scatter plot untuk menguji heteroskedastisitas tampak pada Gambar 4.4 berikut ini.
Sumber: Hasil penelitian, 2014 (data diolah) Gambar 4.4 Hasil Uji Heteroskedastisitas (Grafik Scatterplot)
Grafik scatter plot pada Gambar 4.4 diketahui bahwa penyebaran titik-titik secara acak dan tidak membentuk suatu pola tertentu yang jelas serta tersebar baik di atas maupun di bawah angka nol (0) pada sumbu Y. Dengan demikian dapat disimpulkan tidak terdapat gejala heteroskedastisitas di model regresi penelitian ini.
Selain menggunakan grafik, heteroskedastisitas juga dapat dideteksi dengan menggunakan analisis statistik diantaranya uji Glejser. Pada uji Glejser indikator tidak terjadi heteroskedastisitas, jika probabilitas signifikansinya di atas tingkat kepercayaan 5%. Hasil uji Glejser tampak pada Tabel 4.10 berikut ini.
Tabel 4.11
Hasil Uji Heteroskedastisitas (Uji Glejser)
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .231 3.347 .069 .945 Jenis_Kelamin 1.978 .844 .273 1.342 .322 Usia .126 .479 .030 .262 .794 Pendidikan .341 .651 .064 .523 .602 Status_Perkawinan .563 1.273 .053 .442 .660 Jumlah_Anak .053 .627 .010 .084 .933 Pendapatan -.375 .665 -.066 -.564 .575
a. Dependent Variable: absut
Sumber: Hasil penelitian, 2014 (data diolah)
Pada Tabel 4.11 terlihat tidak ada satupun variabel independen (Jenis Kelamin, Usia, Pendidikan, Status Perkawinan, Jumlah Anak, dan Pendapatan) yang signifikan secara statistik mempengaruhi variabel dependen absolut Ut (absut), karena probabilitas signifikansinya di atas tingkat kepercayaan 5% (nilai sig > 0,05). Hal ini berarti model regresi tidak mengarah adanya heteroskedastisitas.
4.3.2.4 Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya. Dalam penelitian ini digunakan uji Durbin-Watson untuk menguji ada tidaknya masalah autokorelasi. Hasil uji autokorelasi tampak pada Tabel 4.12 berikut ini.
Tabel 4.12 Hasil Uji Autokorelasi
Mo d el S umm a ryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .426 .181 .110 6.22052 1.311
a. Predictors: (Constant), Pendapatan, Pendidikan, Usia, Jenis_Kelamin, Jumlah_Anak, Status_Perkawinan
b. Dependent Variable: Toleransi_Risiko Sumber: Hasil penelitian, 2014 (data diolah)
Hasil uji autokorelasi pada Tabel 4.12 menunjukkan nilai statistik Durbin Watson (d) sebesar 1,311. Nilai tersebut akan dibandingkan dengan nilai tabel dengan menggunakan signifikansi (α ) = 5%, jumlah sampel (n) = 76, dan jumlah variabel independen (k) = 7, maka berdasarkan tabel Durbin Watson diperoleh nilai batas atas (du) sebesar 1,2330. Dengan ketentuan kriteria du < d < 4 –du, maka hasil pengujian diperoleh 1,2330 < 1,311 < 2,689. Sehingga dapat disimpulkan bahwa tidak terjadi autokorelasi positif atau negatif pada model regresi penelitian ini.
4.3.3 Pengujian Statistik (Goodness og Fit)
Pengujian Statistik (Goodness of Fit) Ketepatan fungsi regresi dalam menaksir nilai aktual dapat diukur dari Goodness of Fitnya secara statistik, setidaknya ini dapat diukur dari, nilai statistik F dan nilai statistik t dan nilai koefisien deteminasi.
4.3.3.1 Uji Simultan (Uji F)
Uji F digunakan untuk mengetahui apakah variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen. Pada penelitian ini nilai Fhitung akan dibandingkan dengan Ftabel pada tingkat signifikan (α) = 5%. Kriteria penilaian hipotesis pada uji-F ini adalah:
3. Jika Sig > 0,05 dan Fhitung < Ftabel maka H0 diterima atau H1 ditolak. 4. Jika Sig < 0,05 dan Fhitung > Ftabel maka H0 ditolak atau H1 diterima.
Tabel 4.13 Hasil Uji F
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 590.407 6 98.401 2.543 .028a
Residual 2669.949 69 38.695
Total 3260.355 75
a. Predictors: (Constant), Pendapatan, Pendidikan, Usia, Jenis_Kelamin, Jumlah_Anak, Status_Perkawinan
b. Dependent Variable: Toleransi_Risiko
Sumber: Hasil penelitian, 2014 (data diolah)
Hasil uji F pada Tabel 4.13 diperoleh Fhitung sebesar 2,543 dengan tingkat signifikansi 0,028. Sedangkan Ftabel pada tingkat signifikansi (α) = 5%, diperoleh dengan derajat bebas (df) pembilang = k – 1 = 7 – 1 = 6 dan df penyebut = n – k = 76 – 7 = 69 adalah sebesar 2,10. Oleh karena Fhitung(2,543) > Ftabel(2,10) dan tingkat signifikansinya 0,028 < 0,05 maka H0 ditolak atau H1 diterima. Hal ini menunjukkan bahwa secara simultan variabel Jenis Kelamin, Usia, Pendidikan, Status Perkawinan, Jumlah Anak, dan Pendapatan berpengaruh signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
4.3.3.2 Uji Parsial (Uji t)
Uji-t digunakan untuk melihat pengaruh secara parsial variabel independen terhadap variabel dependen. Pada penelitian ini nilai thitung akan dibandingkan dengan ttabel pada tingkat signifikan (α) = 5%. Kriteria pengambilan keputusan pada uji-t ini adalah:
4. Jika Sig > 0,05 dan thitung < ttabel atau –thitung > -ttabel maka H0 diterima atau H1 ditolak.
5. Jika Sig < 0,05 dan thitung > ttabel atau –thitung < -ttabel makaH0 ditolak atau H1
diterima. Tabel 4.14 Hasil Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 40.562 5.832 6.955 .000 Jenis_Kelamin -3.516 1.471 -.265 -2.390 .020 Usia .265 .835 .035 .317 .752 Pendidikan -.102 1.134 -.010 -.090 .929 Status_Perkawinan -2.865 2.219 -.148 -1.291 .201 Jumlah_Anak 2.859 1.093 .291 2.617 .011 Pendapatan -.087 1.159 -.008 -.075 .940
a. Dependent Variable: Toleransi_Risiko
Sumber: Hasil penelitian, 2014 (data diolah)
Hasil uji t pada Tabel 4.14 diperoleh ttabel pada taraf nyata 5% untuk uji satu arah (α = 0,05) dengan derajat bebas (df = n - k = 76 - 7 = 69) adalah +1,645. Dengan demikian hasil uji-t secara parsial dapat diinterpretasikan sebagai berikut:
1. Signifikansi Jenis Kelamin sebesar 0,020 lebih kecil dari 0,05 sedangkan thitung
(-2,390) > ttabel(-1,645). Maka dapat disimpulkan bahwa variabel Jenis Kelamin berpengaruh dan signifikan terhadap Toleransi Risiko.
Berdasarkan hasil regresi linier berganda, nilai koefisien regresi Jenis Kelamin sebesar -3,516, yang berarti variabel Jenis Kelamin berpengaruh negatif. Dengan demikian dapat disimpulkan bahwa variabel Jenis Kelamin berpengaruh negatif dan signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
2. Signifikansi Usia sebesar 0,752 lebih besar dari 0,05 sedangkan thitung (0,317) < ttabel(1,645). Maka dapat disimpulkan bahwa variabel Usia berpengaruh dan tidak signifikan terhadap Toleransi Risiko.
Berdasarkan hasil regresi linier berganda, nilai koefisien regresi Usia sebesar 0,265, yang berarti variabel Usia berpengaruh positif. Dengan demikian dapat disimpulkan bahwa variabel Usia berpengaruh positif dan tidak signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
3. Signifikansi Pendidikan sebesar 0,929 lebih besar dari 0,05 sedangkan thitung
(-0,090) < ttabel (-1,645). Maka dapat disimpulkan bahwa variabel Pendidikan berpengaruh dan tidak signifikan terhadap Toleransi Risiko.
Berdasarkan hasil regresi linier berganda, nilai koefisien regresi Pendidikan sebesar -0,102, yang berarti variabel Pendidikan berpengaruh negatif. Dengan demikian dapat disimpulkan bahwa variabel Pendidikan berpengaruh negatif dan tidak signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
4. Signifikansi Status Perkawinan sebesar 0,201 lebih besar dari 0,05 sedangkan thitung (-1,291) < ttabel (-1,645). Maka dapat disimpulkan bahwa variabel Status Perkawinan berpengaruh dan tidak signifikan terhadap Toleransi Risiko.
Berdasarkan hasil regresi linier berganda, nilai koefisien regresi Status Pendidikan sebesar -2,865, yang berarti variabel Status Perkawinan berpengaruh negatif. Dengan demikian dapat disimpulkan bahwa variabel Status Perkawinan berpengaruh negatif dan tidak signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
5. Signifikansi Jumlah Anak sebesar 0,011 lebih kecil dari 0,05 sedangkan thitung
(2,617) > ttabel(1,645). Maka dapat disimpulkan bahwa variabel Jumlah Anak berpengaruh dan signifikan terhadap Toleransi Risiko.
Berdasarkan hasil regresi linier berganda, nilai koefisien regresi Jumlah Anak sebesar 2,617, yang berarti variabel Jumlah Anak berpengaruh positif. Dengan demikian dapat disimpulkan bahwa variabel Jumlah Anak berpengaruh positif dan signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
6. Signifikansi Pendapatan sebesar 0,940 lebih besar dari 0,05 sedangkan thitung
(0,075) < ttabel(-1,645). Maka dapat disimpulkan bahwa variabel Pendapatan berpengaruh dan tidak signifikan terhadap Toleransi Risiko.
Berdasarkan hasil regresi linier berganda, nilai koefisien regresi Pendapatan sebesar -0,087, yang berarti variabel Pendapatan berpengaruh negatif. Dengan demikian dapat disimpulkan bahwa variabel Pendapatan berpengaruh negatif
dan tidak signifikan terhadap Toleransi Risiko pada Dosen Fakultas Kedokteran USU.
4.3.3.3 Uji Koefisien Determinasi (��)
Koefisien determinasi (R2) digunakan untuk mengetahui keeratan hubungan antara variabel independen dengan variabel dependen. Nilai (R2) terletak antara 0 sampai dengan 1 (0 ≤ R2≤1). Jika variabel dalam penelitian lebih dari dua variabel maka yang dipakai adalah Adjusted R Square (Situmorang dan Lufti, 2012: 154-155). Hasil koefisien determinasi (R2) tampak pada Tabel 4.15 berikut ini.
Tabel 4.15
Hasil Koefisien Determinasi (��) Mo d el S umm a ryb Model R Square R Adjusted R Square Std. Error of the Estimate 1 .426 .181 .110 6.22052
a. Predictors: (Constant), Pendapatan, Pendidikan, Usia, Jenis_Kelamin, Jumlah_Anak, Status_Perkawinan
b. Dependent Variable: Toleransi_Risiko Sumber: Hasil penelitian, 2014 (data diolah)
Hasil koefisien determinasi (R2) pada Tabel 4.15 diketahui bahwa nilai Adjusted R Square sebesar 0,110 atau 11%. Hal ini menunjukkan bahwa 11% faktor-faktor Toleransi Risiko dapat dipengaruhi atau dijelaskan oleh keenam variabel independen yang digunakan, yaitu Jenis Kelamin, Usia, Pendidikan, Status Perkawinan, Jumlah Anak, dan Pendapatan. Sedangkan sisanya sebesar 89% dipengaruhi atau dijelaskan oleh variabel lain yang tidak diteliti pada penelitian ini.