BAB 4 ANALISIS DAN PEMBAHASAN
4.5. Analisis Data
4.5.3. Uji Asumsi Klasik / Analisis Ekonometrik
Dalam regresi linier berganda terdapat beberapa asumsi yang harus dipenuhi sehingga persamaan regresi yang dihasilkan akan valid jika digunakan untuk memprediksi. Penggunaan asumsi ini merupakan konsekuensi dalam menghitung persamaan regresi linier. Beberapa asumsi tersebut meliputi asumsi data yang terdistribusi secara normal, asumsi multikolinieritas, asumsi autokorelasi, asumsi heterokedastisitas, dan asumsi linieritas. Dalam buku-buku statistik asumsi ini disebut analisis ekonometrik. Berikut uji asumsi yang harus dilakukan terhadap model regresi tersebut, yaitu :
1. Uji Normalitas
Pengujuian normalitas adalah pengujian tentang kenormalan distribusi data. Yang dimaksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal dimana data akan memusat pada nilai rata-rata dan median. Cara yang paling sering digunakan dengan melihat histrogam residual akan mengikuti pola distribusi normal dimana bentuk grafiknya mengikuti bentuk loceng. Cara ini menjadi fatal karena pengambilan keputusan data terdistribusi secara normal atau tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain untuk menentukan data terdistribusi secara normal atau tidak dengan
menggunakan rasio skewness (kemencengan) dan rasio kurtosis (keruncingan).
Aturan dalam rasio skewness dan kurtosis jika nilai rasio berbeda antara minus
dua (-2) dan plus dua (+2). Sedangkan jika rasio berada dibawah -2 maka dapat dinyatakan grafik terdistribusi miring ke kanan. Jika rasio berada diatas +2 maka dapat dinyatakan grafik distribusi miring ke kiri. (Purbayu dan Ashari, 2005 :235)
commit to user
Hasil uji normalitas dengan menggunakan bantuan program SPSS versi 17 dapat dilihat pada tabel.
Tabel 4.19 Hasil Uji Normalitas
Faktor
N Skewness Kurtosis
Statistic Statistic Std. Error Statistic Std. Error
Perubahan lingkup dan
dokumen pekerkerjaan 40 .576 .374 1.168 .733
Koordinasi dan transportasi sumber daya serta keahlian tenaga kerja
40 1.208 .374 1.353 .733
Sistem evaluasi dan
perencanaan 40 .272 .374 -.869 .733
Valid N (listwise) 40
Faktor perubahan lingkup dan dokumen pekerkerjaan skewness kurva adalah
0,576 dengan standar eror 0,374 dan kurtosis kurva adalah 1,168 dengan standar
eror 0,733. Rasio skewness = 0,576/0,374 = 1,540. Rasio kurtosis = 1,168/0,733 =
1,594. Faktor koordinasi dan transportasi sumber daya serta keahlian tenaga kerja
skewness kurva adalah 1,208 dengan standar eror 0,374 dan kurtosis kurva adalah
1,353 dengan standar eror 0,733. Rasio skewness = 1,208/0,374 = 3,229. Rasio
kurtosis = 1,353/0,733 = 1,845. Faktor sistem evaluasi dan perencanaan skewness
kurva 0,272 dengan standar eror 0,374 dan kurtosis kurva -0,869 dengan standar
eror 0,733. Rasio skewness = 0,272/0,374 = 0,727 dan rasio kurtosis = -0,869/0,
733 = -1,185. Dari rasio tersebut terlihat bahwa Rasio skewness dan Rasio kurtosis berada pada kisaran -2 sampai +2, sehingga dapat disimpulkan distribusi data adalah normal.
commit to user 2. Uji Multikolinieritas
Uji multikolinieritas merupakan pengujian untuk asumsi dalam analisis regresi linier berganda menyatakan bahwa variabel terikat harus terbebas dari gejala multikolinieritas. Gejala multikolinieritas adalah gejala korelasi yang signifikan antar variabel terikat. Hasil uji multikolinieritas dengan mengugnakan bantuan program SPSS versi 17 dapat dililhat pada tabel 4.20.
Tabel 4.20 Hasil Uji Multikolinieritas
Terlihat pada tabel 4.20 hasil uji multikolinieritas terletak pada kolom VIF, semua variabel bebas untuk variabel terikat biaya hasil uji multikolinieritas bernilai kurang dari 5, maka dapat disimpulkan tidak terjadi gejala multikolinieritas.
Model t Sig.
Collinearity Statistics
Tolerance VIF
1(Constant) 16.362 .000
Perubahan lingkup dan
dokumen pekerjaan -.526 .002 .748 1.375
Koordinasi dan transportasi sumber daya serta keahlian tenaga
1.627 .024 .407 2.644
Sistem evaluasi dan
commit to user 3. Autokorelasi
Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Untuk mendeteksi gejala autokorelasi kita menggunakan uji Durbin-Watson (DW). Uji ini menghasilkan nilai DW hitung (d) dan nilai DW tabel (dL & du). Aturan pengujiannya adalah:
d<dL : Terjadi masalah autokorelasi yang positif yang perlu perbaikan
dL<d<du : ada masalah autokorelasi positif tetapi lemah
du<d<4-du : tidak ada masalah autokorelasi
4-du<d<4-dL : masalah autokorelasi lemah, tetapi perbaikan akan lebih baik
4-dL<d : masalah auotkorelasi serius
Tabel 4.21 Hasil Uji Autokorelasi
Model R R Square Adjusted R Square Durbin Watson 1 .824a .716 .683 1.471
Hasil analisis menunjukkan nilai Durbin-Watson sebesar 1,471. Untuk menguji harus dicari nilai dL dan du pada tabel Durbin-Watson, dengan n=40 dan jumlah variabel terikat (k) = 3 didapat nilai dL = 1,3384 dan du = 1,6589. Karena 1,3384 < 1,471 < 1.6589 maka dapat disimpulkan terjadi masalah autokorelasi positif tetapi lemah.
commit to user 4. Heterokedastisitas (Perbedaan Varians)
Salah satu asumsi dalam regresi berganda adalah uji heterokedastisitas. Asumsi heterokedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan yang lain. Dalam regresi, salah satu asumsi yang harus dipenuhi adalah bahwa varians dari residual dari satu pengamatan ke pengamatan yang lain tidak memiliki pola tertentu. Pola yang tidak sama ini ditunjukkan dengan nilai yang tidak sama antar satu varians dari residual. Gejala varians yang tidak sama ini disebut dengan gejala heterokedastisitas, sedangkan adanya gejala varians residual yang sama dari satu pengamatan ke pengamatan yang lain disebut dengan homokedastisitas. Salah satu metode visual untuk menguji heterokedastisitas ini adalah dengan melihat penyebaran dari varians residual. Salah satu cara pengujian heterokedastisittas yaitu dengan melihat penyebaran dari residual yang dapat dilihat pada gambar di bawah ini.
commit to user 5. Uji Linieritas
Pengujian linieritas ini perlu dilakukan untuk mengetahui model yang dibuktikan merupakan model linier atau tidak. Uji linieritas dilakukan dengan menggunakan curve estimation, yaitu gambaran hubungan linier antara variabel X dengan variabel Y. pengujian menggunakan bantuan programSPSS versi 17. Jika nilai pada tabel ANOVA sig f > 0,05, maka variabel X tersebut memiliki hubungan linier dengan Y.
Tabel 4.22 Hasil Uji Linieritas
Variabel Bebas Nilai Sig f
Perubahan lingkup dan dokumen pekerjaan
0,178 Koordinasi, dan transportasi sumber daya serta keahlian tenaga kerja
Sistem evaluasi dan perencanaan
Dari tabel 4.22 di dapat dari perhitungan menggunakan bantuan program SPSS versi 17. Dapat diambil kesimpulan bahwa variabel bebas perubahan lingkup dan dokumen pekerjaan, koordinasi dan transportasi sumber daya serta keahlian tenaga kerja, sistem evaluasi dan perencanaan memiliki hubungan linieritas terhadap variabel terikat biaya.
commit to user