BAB IV ANALISIS DATA DAN PEMBAHASAN
B. Uji Asumsi Klasik
Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Penelitian ini mengunakan analisis statistik Kolmogorov-Smirnov pada residual persamaan dengan kriteria pengujian adalah jika probability value > 0,05 maka data terdistribusi normal dan jika probability value < 0,05 maka data terdistribusi tidak normal. Berikut disajikan hasil uji normalitas data penelitian.
commit to user Tabel 4.3
Uji Normalitas (Sebelum Outlier) DPRt = k + p2LN_COMPENt + e1
Unstandardized Residual
N 123
Normal Parametersa Mean 0,0000000
Std. Deviation 0,22002043
Most Extreme Differences Absolute 0,131
Positive 0,131
Negative -0,076
Kolmogorov-Smirnov Z 1,451
Asymp. Sig. (2-tailed) 0,030
a. Test distribution is Normal. Sumber: hasil pengolahan data
Hasil uji normalitas di atas menunjukkan bahwa data variabel yang digunakan dalam penelitian ini terdistribusi tidak normal dengan dibuktikan oleh nilai asymp. sig. yang lebih kecil dari tingkat signifikasi penelitian 5% yaitu sebesar 0,03. Oleh karena data tidak terdistribusi normal, maka dilakukan proses outlier dengan mengeluarkan data yang bernilai ekstrem dari data penelitian.
Proses outlier dilakukan dengan menggunakan dasar Z-score atas data dalam penelitian. Dengan mengeluarkan nilai ekstrem dalam data penelitian berdasar Z-score diharapkan dapat diperoleh data penelitian terdistribusi normal sehingga proses regresi dapat dilakukan. Setelah melakukan proses outlier diperoleh data penelitian yang berdistribusi normal sejumlah 91 data yang berarti terdapat 32 data ekstrem yang dikeluarkan dari data model penelitian (lampiran 3 halaman 1). Berikut disajikan hasil uji normalitas data setelah dilakukan proses
commit to user Tabel 4.4
Uji Normalitas (Setelah Outlier) DPRt = k + p2LN_COMPENt + e1
Unstandardized Residual
N 91
Normal Parametersa Mean 0,0000000
Std. Deviation 0,15420733
Most Extreme Differences Absolute 0,117
Positive 0,117
Negative -0,054
Kolmogorov-Smirnov Z 1,117
Asymp. Sig. (2-tailed) 0,165
a. Test distribution is Normal. Sumber: hasil pengolahan data
Hasil uji normalitas seperti tersaji di atas menunjukkan bahwa data penelitian telah terdistribusi normal yang dibuktikan dengan asymp sig sebesar 0,165 yang lebih besar dari tingkat signifikansi penelitian 5%. Oleh karena data penelitian telah terdistribusi normal, maka data dapat digunakan dalam pengujian dengan model regresi. Selanjutnya uji normalitas untuk model penelitian yang kedua adalah sebagai berikut.
Tabel 4.5 Uji Normalitas LN_Qt+1 = k + p1LN_COMPENt + p3DPRt + e2 Unstandardized Residual N 91
Normal Parametersa Mean 0,0000000
Std. Deviation 0,56321888
Most Extreme Differences Absolute 0,088
Positive 0,088
Negative -0,047
Kolmogorov-Smirnov Z 1,837
Asymp. Sig. (2-tailed) 0,486
commit to user
Hasil uji normalitas di atas menunjukkan bahwa data variabel yang digunakan dalam model persamaan dua terdistribusi normal dengan dibuktikan oleh nilai asymp. sig. Sebesar 0,486 yang lebih besar dari tingkat signifikansi penelitian 5%. Oleh karena data penelitian telah terdistribusi normal, maka data dapat digunakan dalam pengujian dengan model regresi.
2. Uji Multikolonieritas
Uji Multikolinieritas digunakan untuk menunjukkan ada tidaknya hubungan linier di antara variabel-variabel independen dengan model regresi. Pengujian ini dilakukan dengan menggunakan tolerance value dan variance inflation factor (VIF) dengan kriteria korelasi diantara variabel independen masih dibawah 95%, nilai tolerance tidak ada yang kurang dari 0.10 dan nilai VIF tidak ada yang lebih dari 10 maka dapat dikatakan tidak terjadi multikolonieritas yang serius (Ghozali, 2006: 95).
Model penelitian yang perlu lolos uji multikolonieritas ini adalah model kedua yang memiliki dua buah variabel bebas, sedangkan model pertama tidak memerlukan uji multikolonieritas dikarenakan berbentuk regresi sederhana yang hanya memiliki satu variabel bebas. Hasil uji multikolinieritas dapat dilihat pada tabel 4.6 dan lampiran 5.
commit to user Tabel 4.6
Hasil Uji Multikolinieritas
LN_Qt+1 = k + p1LN_COMPENt + p3DPRt + e2 LN_COMPEN DPR R Square 0,351 t 5,532 2,800 Sig Coefficient Correlations 0,000 -0,222 0,006 -0,222 Tolerance 0,951 0,951 VIF 1,052 1,052
Sumber: Hasil Pengolahan Data ( = 5%) a. Predictors: (Constant), DP R, LN_COMPEN b. Dependent Variable: LN_Q
Uji pengujian menunjukkan bahwa model persamaan dua tidak mengandung multikolonieritas. Hal ini dapat dilihat dari nilai coefficient correlations antara variabel independen LN_COMPEN dan DPR sebesar -0,222 atau sekitar 22%. Oleh karena korelasi ini masih dibawah 95% maka dapat dikatakan tidak terjadi multikolonieritas serius. Hasil perhitungan nilai Tolerance menunjukkan hasil lebih dari 0,10 yaitu 0,951 dan hasil perhitungan nilai Variance Inflation Factor (VIF) sebesar 1,052, tidak ditemukannya variabel independen yang memiliki VIF lebih dari 10 juga menunjukkan tidak terdapat multikolonieritas. Selain itu nilai R Square sebesar 35,1%, nilai t statistik kedua variabel independen yang signifikan pada 0,05 serta tidak ditemukannya pair-wise korelasi antara LN_COMPEN dan DPR yang tinggi yaitu diatas 0,35 mengindikasikan tidak terjadi multikolonieritas antar variabel independen.
commit to user 3. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam sebuah model regresi linear terdapat korelasi antara kesalahan pengganggu pada periode t atau waktu tertentu dengan t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Pengujian Autokorelasi di dalam penelitian ini menggunakan uji Durbin-Watson (DW test) dengan membandingkan Durbin Watson hitung dengan Durbin Watson tabel, jika du<dw<4-du maka model regresi linear tersebut tidak mengandung autokorelasi positif ataupun negatif sehingga dapat disimpulkan model persamaan bebas dari autokorelasi (Ghozali, 2006: 99).
Pada model persamaan pertama terdiri dari 1 variabel bebas dan pada model penelitian kedua terdiri dari 2 variabel bebas. Jumlah sampel penelitian yang diuji berjumlah 91 sampel. Hasil uji autokorelasi pada kedua model adalah tidak ditemukan adanya autokorelasi, dapat dilihat pada tabel di bawah ini.
Tabel 4.7
Hasil Pengujian Autokorelasi (Uji Durbin-Watson) Keterangan Sig du (tabel) dw (hitung) (4-du) Hasil (du<dw<4-du)
Model 1 5% 1,679 2,009 2,321 Tidak ada
autokorelasi
Model 2 5% 1,703 1,923 2,297 Tidak ada
autokorelasi Sumber: Hasil Pengolahan Data
Uji Durbin-Watson menunjukkan tidak ada masalah autokorelasi pada ke-dua model penelitian yaitu dengan membandingkan nilai Durbin-Watson hitung
commit to user
dengan Durbin-Watson tabel. Hasil output SPSS pengujian autokorelasi dapat dilihat pada lampiran 6.
4. Uji Heteroskedastisitas
Heterokedastisitas menggambarkan faktor-faktor gangguan tidak memiliki varian yang sama untuk seluruh pengamatan atas variabel independen. Penelitian ini menggunakan metode grafik dan uji statistic Glejser untuk menguji ada tidaknya heteroskedastisitas. Metode grafik dilakukan dengan melihat grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Uji Glejser dilakukan dengan meregres nilai absolut residual terhadap variabel independen. Homokedastisitas dapat dilihat dari nilai probabilitas signifikansinya di atas tingkat kepercayaan 5 % (Ghozali, 2006: 125).
Kriteria pengujiannya adalah jika probability value < 0,05 maka terjadi heterokedastisitas dan jika probability value > 0,05 maka tidak terjadi heterokedastisitas. Hasil uji heterokedastisitas persamaan pertama dapat dilihat pada tabel 4.8 dan lampiran 7.
Tabel 4.8
Hasil Pengujian Heteroskedastisitas DPRt = k + p2LN_COMPENt + e1 Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) -.307 .270 -1.138 .258 LN_COMPEN .019 .012 .168 1.608 .111
a. Dependent Variable: ABS_RES1
commit to user
Hasil pengujian heteroskedastisitas persamaan pertama menunjukkan probability value (Sig) LN_COMPEN tidak signifikan pada 0,05 yaitu sebesar 0,111 yang berarti tidak terdapat heteroskedastisitas. Selanjutnya hasil uji heterokedastisitas persamaan kedua dapat dilihat pada tabel 4.9 dan lampiran 7.
Tabel 4.9
Hasil Pengujian Heteroskedastisitas LN_Qt+1 = k + p1LN_COMPENt + p3DPRt + e2 Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 2 (Constant) .994 1.015 .979 .330 LN_COMPEN DPR -.023 -.027 .045 .220 -.056 -.013 -.512 -.122 .610 .903
a. Dependent Variable: ABS_RES2
Sumber: Hasil Pengolahan Data
Hasil pengujian heteroskedastisitas persamaan kedua menunjukkan probability value (Sig) tidak signifikan pada 0,05 yaitu LN_COMPEN sebesar 0,610 dan DPR sebesar 0,903 yang berarti tidak terdapat heteroskedastisitas juga pada persamaan kedua ini. Dapat disimpulkan bahwa tidak terjadi gejala heteroskedastisitas dalam semua model regresi penelitian ini.