BAB III METODE PENELITIAN
3.5 Teknik Analisis Data
3.5.2 Analisis Statistik Inferensial
3.5.2.1 Uji Asumsi Klasik
Penggunaan alat analisis berbasis pada formula regresi dalam penelitian ini membutuhkan uji asumsi klasik. Uji asumsi klasik pada regresi ini didasarkan pada estimasi variabel dependen dengan asumsi terpenuhinya ordinary least squares (OLS), atau terpenuhinya pangkat kuadrat terkecil biasa (Wahyudin, 2015:142).
Regresi dengan metode estimasi Ordinary Least Squares (OLS) akan memberikan hasil yang Best Linear Unbiased Estimator (BLUE) jika memenuhi semua asumsi klasik (Ghozali, 2016:167). Uji asumsi klasik yang digunakan dalam penelitian ini
meliputi, uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.
3.5.2.1.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Apabila asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2016:154). Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik.
1) Analisis grafik
Analisis grafik adalah cara untuk melihat normalitas residual dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya (Ghozali, 2016:156). Dasar pengambilan keputusan adalah sebagai berikut:
a) Jika data menyebar disekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
b) Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
2) Uji statistik
Analisis statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik non-parametik Kolmogorov-Smirmov (K-S) (Ghozali, 2016:158). Uji Kolmogorov-Smirmov (K-S) dilakukan dengan membuat hipotesis sebagai berikut:
H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal
Dasar pengambilan keputusannya adalah apabila hasil uji statistik Kolmogorov-Smirmov (K-S) menunjukkan nilai signifikan lebih dari 0,05, maka dapat disimpulkan bahwa H0 diterima yang artinya data residual terdistribusi normal. Sebaliknya, apabila hasil uji statistik Kolmogorov-Smirmov (K-S) menunjukkan nilai signifikan kurrang dari 0,05, maka HA diterima yang artinya data residual terdistribusi tidak normal.
3.5.2.1.2 Uji Mulitikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regesi yang baik seharusnya tidak terjadi korelasi antara variabel independen. Metode untuk melihat adanya multikolinieritas dapat dilakukan dengan analisis nilai tolerance dan nilai variance inflation faktor (VIF). Nilai tolerance dan nilai variance inflation faktor (VIF) menunjukkan setiap independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance digunakan untuk mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya.
Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF =
1/Tolerance). Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolinieritas adalah nilai tolerance ≤ 0,10 atau sama dengan nilai VIF ≥ 10 (Ghozali, 2016:103).
3.5.2.1.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear terdapat korelasi antara residual pengganggu pada periode t dengan residual penggangu pada periode t-1 (sebelumnya). Jika terdapat korelasi atau hubungan, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Model regresi yang baik adalah regresi yang bebas dari autokorelasi (Ghozali, 2016:107). Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi, salah satunya adalah menggunakan Run Test.
Run Test merupakan bagian dari statistik non-parametik yang dapat digunakan untuk menguji ada atau tidaknya hubungan korelasi yang tinggi antar residual. Apabila antar residual tidak terdapat hubungan korelasi maka dapat dikatakan bahwa residual adalah acak atau random. Run Test digunakan untuk melihat apakah data residual terjadi secara randomatau tidak (sistematik) (Ghozali, 2016:117). Run Test dilakukan dengan membuat hipotesis sebagai berikut:
H0 : Residual random HA : Residual tidak random
Dasar pengambilan keputusannya adalah apabila hasil Run test menunjukkan nilai signifikansi di atas 0,05, maka dapat diketahui bahwa data residual terjadi secara random atau tidak terjadi masalah autokorelasi. Sebaliknya, apabila hasil
Run test menunjukkan nilai signifikansi di bawah 0,05, maka dapat diketahui bahwa data residual terjadi secara sistematis sehingga dapat disimpulkan bahwa terdapat masalah autokorelasi.
3.5.2.1.4 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi kesamaan variance dari residual satu pengamatan ke pengamatan yang lain.
Jika variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. (Ghozali, 2016:134). Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas antara lain:
1) Analisis Grafik
Cara menguji ada atau tidaknya heteroskedastisitas, yaitu dengan menggunakan scatterplot. Scatterplot dilakukan dengan melihat grafik antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SRESID) (Ghozali, 2016).
Dasar pengambilan keputusan model regresi yang tidak terjadi heteroskedastisitas harus memenuhi syarat sebagai berikut:
a) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebur kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas (Ghozali, 2016:134)
2) Analisis Statistik
Selain dengan menggunakan scatterplot, cara menguji ada atau tidaknya heteroskedastisitas dapat menggunakan analisis statistik Uji Glejser. Uji Glejser dilakukan dengan meregres nilai absolut residual terhadap variabel independen (Ghozali, 2016:137). Apabila hasil uji statistik Glejser menunjukkan bahwa variabel independen signifikan secara statistik mempengaruhi variabel dependen, yang dapat dilihat dari nilai signifikansinya di bawah tingkat kepercayaan 0,05, maka terdapat indikasi telah tejadi heteroskedastisitas. Sebaliknya, apabila hasil uji statistik Glejser menunjukkan bahwa variabel independen tidak signifikan secara statistik mempengaruhi variabel dependen, yang dapat dilihat dari nilai signifikansinya di atas tingkat kepercayaan 0,05, maka dapat disimpulkan bahwa model regresi tidak mengandung heteroskedastisitas (Ghozali, 2016:138).