BAB IV ANALISIS HASIL PENELITIAN
B. Analisis Hasil Penelitian
2. Uji Asumsi Klasik
Pengujian data statistik dengan menggunakan model Kolmogorov-Smirnov dilakukan untuk mengetahui apakah data terdistribusi secara normal atau tidak, dengan hipotesis sebagai berikut:
Ho : data residual terdistribusi normal Ha : data residual terdistribusi tidak normal
Dalam uji Kolmogrov Smirnov, pedoman yang digunakan dalam pengambilan keputusan yaitu:
b. Jika nilai signifikansi < 0,05 maka distribusi data tidak normal c. Jika nilai signifikansi > 0,05 maka distribusi data normal
Tabel 4.3 Uji Normalitas (1)
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 99
Normal Parametersa Mean .0000000
Std. Deviation 3.28240861
Most Extreme Differences Absolute .194
Positive .194
Negative -.179
Kolmogorov-Smirnov Z 1.931
Asymp. Sig. (2-tailed) .001
a. Test distribution is Normal.
Dari hasil pengolahan data, diperoleh bahwa data dalam penelitian ini tidak terdistribusi secara normal. Dari tabel 4.3, dapat dilihat bahwa nilai Kolmogorov-Smirnov sebesar 1,931 dan signifikansi pada 0,001, p= 0, 001 < 0,05 artinya Ha diterima yang berarti data residual terdistribusi tidak normal. Data residual yang terdistribusi tidak normal juga dapat dilihat melalui grafik histogram dan grafik Normal P-P Plot
Gambar 4.1 Grafik Histogram (1)
Grafik histogram menunjukkan bahwa data residual terdistribusi normal. Hal ini dilihat dari grafik histogram yang menunjukkan distribusi data mengikuti kurva yang tidak menceng ke kanan ataupun menceng ke kiri. Akan tetapi, hasil uji normalitas dengan menggunakan model Kolmogorov-Smirnov mendukung hasil uji normalitas dengan menggunakan grafik Normal P-P Plot . Grafik Normal P-P Plot menunjukkan titik-titik dalam plot terlihat menyebar jauh dari garis diagonal baik di atas maupun di bawah garis diagonal. Grafik Normal P-P Plot dapat dilihat sebagai berikut:
Gambar 4.2
Grafik Normal P-P Plot (1)
Dalam penelitian ini data residual tidak terdistribusi secara normal, maka perlu dilakukan tindakan penormalan data. Data yang tidak terdistribusi secara normal dapat ditransfomasi agar menjadi normal (Ghozali, 2003:32). Menurut Erlina (2007:106), ada beberapa cara mengubah model regresi menjadi normal yaitu:
b. lakukan transformasi data ke bentuk lainnya, b. lakukan trimming, yaitu membuang data outlier,
c. lakukan winsorizing, yaitu mengubah nilai data yang outlier ke suatu nilai tertentu.
Agar nilai residual berdistribusi normal, maka dilakukan transformasi data ke model SQRT, yaitu ke dalam bentuk akar kuadrat. Lalu, data diuji ulang berdasarkan asumsi normalitas kembali. Berikut ini hasil pengujian
Kolmogorov-Smirnov (K-S):
Tabel 4.4 Uji Normalitas (2)
Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 99
Normal Parametersa Mean .0000000
Std. Deviation .71536641
Most Extreme Differences Absolute .126
Positive .126
Negative -.084
Kolmogorov-Smirnov Z 1.253
Asymp. Sig. (2-tailed) .087
a. Test distribution is Normal.
Dari hasil pengolahan data tersebut dengan menggunakan SPSS 16, maka diperoleh besarnya nilai Kolmogorov-Smirnov adalah 1,253dan signifikansi pada 0,087, maka dapat disimpulkan bahwa data terdistribusi secara normal karena p= 0,087 > 0,05. Data yang terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik Normal P-P Plot.
Gambar 4.3 Grafik Histogram (2)
Grafik Histogram Setelah Data Ditransformasi
Gambar 4.4
Grafik Normal P-P Plot (2)
Dengan membandingkan grafik di atas dapat disimpulkan bahwa distribusi data normal karena grafik histogram menunjukkan distribusi data yang tidak menceng (skewness) ke kiri maupun ke kanan atau normal. Pada grafik Normal P-P P-Plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
b. Uji Heterokedasitas
Dalam penelitian ini, untuk mengetahui apakah dalam penelitian terjadi Heteroskedastisitas, dapat dilihat dengan grafik scatterplot dan Uji Glejser.
• Grafik scatterplot
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala heteroskedastisitas adalah dengan melihat grafik scatterplot antara SRESID dan ZPRED yang dihasilkan dari pengolahan data dengan menggunakan program SPSS. Dasar pengambilan keputusannya adalah:
1) jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang terartur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas,
2) jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas.
Gambar 4.5 Grafik Scatterplot
Dari gambar scatterplot di atas, dapat dilihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi.
• Uji Glejser
Uji ini untuk meregres nilai absolut residual terhadap variabel independen. Jika variabel independen signifikan secara statistik mempengaruhi variabel dependen, maka ada indikasi terjadi Heterokedastisitas. Jika probabilitas signifikansinya di atas tingkat kepercayaan 5 %, maka dapat disimpulkan bahwa model regresi tidak mengandung adanya Heterokedastisitas.
Hasil uji heteroskedastisitas dapat dilihat juga melalui statistik uji glejser berikut ini
Tabel 4.5 Hasil Uji Glejser
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .438 .098 4.467 .000
SQRT_IT .039 .040 .098 .970 .334 1.000 1.000
a. Dependent Variable: ABS_2
Hasil tampilan output SPSS di atas menunjukkan nilai probabilitas signifikansinya di atas tingkat kepercayaan 5 % yakni sebesar 0,334 atau sebesar 33,4%. Jadi disimpulkan model bahwa regresi tidak mengandung adanya heteroskedastisitas.
c.. Uji Autokorelasi
Menurut Singgih (2002 : 218) Untuk mendeteksi adanya autokorelasi bisa digunakan tes Durbin Watson (D-W). Panduan mengenai angka D-W untuk mendeteksi autokorelasi bisa dilihat pada tabel D-W, yang bisa dilihat pada buku statistik yang relevan. Namun demikian secara umum bisa diambil patokan:
3) Angka D-W di bawah -2 berarti ada autokorelasi positif.
4) Angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi. 5) Angka D-W diatas +2 berarti ada autokorelasi negatif
Tabel 4.6
Hasil Uji Autokorelasi
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .213a .045 .035 .71904 1.842
a. Predictors: (Constant), SQRT_IT b. Dependent Variable: SQRT_CR
Tabel 4.6 di atas memperlihatkan bahwa nilai statistik D-W sebesar 1,842. Nilai statistik D-W sebesar 1,842 terletak diantara -2 dan +2, dapat disimpulkan bahwa tidak terjadi autokorelasi baik autokorelasi positif maupun autokorelasi negatif.