HASIL PENELITIAN DAN PEMBAHASAN
5.3. Uji Asumsi Klasik
5.3.1. Uji normalitas
Uji normalitas bertujuan untuk mengetahui apakah dalam sebuah model regresi, data-data yang diperoleh mengenai variabel penelitian (baik variabel bebas maupun
131
variabel terikat) berasal dari populasi yang berdistribusi normal atau tidak. Model regresi yang baik adalah apabila distribusi datanya mengikuti kurva normal atau mendekati normal. Gujarati (1988) menyatakan bahwa jika asumsi normalitas terpenuhi, maka koefisien regresi dan varian yang diperoleh akan memiliki sifat-sifat statistik yang baik, yaitu: (1) koefisien regresi yang diperoleh tidak bias, (2) koefisien regresi memiliki varian yang minimum, (3) kombinasi keduanya menghasilkan koefisien regresi yang tidak bias dengan varian minimum, atau koefisien regresi tersebut efisien. Karena koefisien regresi yang diperoleh tidak bias dan mempunyai varian minimum, maka hasil yang diperoleh sangat kuat (powerful) sebagai penduga nilai dan karakteristik populasi yang sebenarnya. Sifat-sifat statistik ini akan semakin diperkuat dengan jumlah sampel yang relatif besar dalam penelitian ini. Menurut Nazir (2009), sampel besar adalah sampel yang berukuran 30 atau lebih.
Dalam penelitian ini digunakan dua pendekatan yang saling melengkapi untuk uji normalitas data. Pendekatan pertama dilakukan dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik scatter plot. Dasar pengambilan keputusan adalah: (1) Jika data menyebar di sekitar garis diagonal dan cenderung mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas; (2) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas (Gustomo et al., 2011; Izuchukwu, 2011; Syauta dan Widjaja, 2009; Emilia, 2008; Tarmizi, 2007).
Metode scatter plot (Gambar 23) menunjukkan data menyebar di sekitar garis diagonal dan cenderung mengikuti arah garis diagonal. Dengan kata lain, tidak ada data yang menyebar jauh dari garis diagonal. Kesimpulan yang dapat ditarik adalah bahwa berdasarkan metode scatter plot, asumsi normalitas dapat dipenuhi atau data yang yang diperoleh berasal dari populasi yang berdistribusi normal.
132
Pendekatan kedua adalah dengan mengadopsi metode luas daerah di bawah kurva normal. Sifat dari distribusi normal adalah: (1) distribusi tersebut simetris di sekitar nilai rata-ratanya (Gujarati, 1988; Supriana dan Nasution, 2010), (2) kira-kira (approximately) 68% dari luas daerah di bawah kurva normal terletak antara nilai ± , kira-kira 95% dari luas daerah di bawah kurva normal terletak antara ± 2, dan kira-kira 99,7% terletak antara ± 3 (Gujarati, 1988). Dari histogram dan kurva normal pada Gambar 23 dan 24, diperkirakan bahwa sekitar 97% luas daerah di bawah kurva normal berada diantara nilai ± 3.
Mirabellla (2006) menyatakan, kurva normal berbentuk ideal seperti lonceng dengan puncak di tengah dan benar-benar simetris. Namun dalam penelitian, kurva normal tidak berbentuk seperti lonceng secara sempurna karena data yang diambil berasal dari sampel, bukan dari seluruh populasi. Prinsip normalitas adalah sekitar setengah data berada di atas rata-rata dan setengahnya lagi di bawah rata-rata.
Gambar 23. Uji normalitas data 5.3.2. Uji multikolinearitas
Multikolinearitas adalah keadaan dimana terjadi korelasi yang erat antar-variabel bebas dalam suatu model regresi ganda. Multikolinearitas biasanya dapat ditengarai dari nilai koefisien determinasi (R2) dan F-hitung tinggi namun banyak variabel bebas yang tidak berpengaruh nyata terhadap variabel terikat (Pratisto, 2009). Model
133
regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Ada tidaknya multikolinieritas dalam suatu model regresi ganda dapat dilihat dari nilai tolerance atau VIF (variance inflation factor) dari masing-masing variabel.
VIF merupakan ukuran yang menggambarkan seberapa banyak variasi koefisien regresi meningkat jika antar-variabel bebas berkorelasi. Dasar pengambilan keputusan adalah: (1) Jika nilai tolerance lebih kecil (<) dari 0,1 atau VIF lebih besar (>) dari 10 maka dalam model yang disusun terdapat multikolinieritas; (2) Jika nilai
tolerance > 0,1 atau VIF < 10 maka tidak terdapat multikolinieritas dalam model yang disusun (Emilia et al., 2008; Alipour, 2011; Dewi, 2010). Berdasarkan nilai
tolerance dan VIF pada Tabel 31 (Lampiran 5) dapat disimpulkan bahwa model regresi yang digunakan bebas dari masalah multikolinearitas. Artinya tidak terdapat masalah korelasi serial di antara variabel bebas yang dimasukkan ke dalam model.
Tabel 31. Nilai tolerance dan VIF untuk uji multikolinearitas
Variabel Notasi Tolerance VIF Kesimpulan
Pengalaman X1 0,570 > 0,1 1,754 < 10 Tidak terdapat masalah
multikolinearitas dalam model yang disusun atau Tidak terdapat masalah korelasi serial antar-variabel bebas Peran perempuan X2 0,776 > 0,1 1,289 < 10 Luas lahan X3 0,484 > 0,1 2,067 < 10 Jumlah tanaman kopi X4 0,352 > 0,1 2.838 < 10 Lama produktif X5 0,882 > 0,1 1,134 < 10 Tenaga kerja X6 0,725 > 0,1 1,379 < 10 Modal X7 0,612 > 0,1 1,634 < 10 Pemanfaatan lahan X8 0,848 > 0,1 1,180 < 10 Likuiditas petani X9 0,483 > 0,1 2,069 < 10 Pohon pelindung X10 0,923 > 0,1 1,083 < 10 Pupuk organik X11 0,917 > 0,1 1,091 < 10 Pemangkasan tan. kopi X12 0,487 > 0,1 2,052 < 10 Konservasi lahan X13 0,923 > 0,1 1,083 < 10 Pengendalian PBKo X14 0,619 > 0,1 1,616 < 10
5.3.3. Uji heteroskedastisitas
Asumsi penting lainnya dalam model regresi linier adalah varian yang sama, yaitu suatu angka konstan yang sama dengan 2. Hal ini merupakan asumsi
homo-134
skedastisitas yaitu penyebaran (scedasticity) yang sama (homo), yaitu varian yang sama. Jika asumsi ini tidak dipenuhi maka terjadi masalah heteroskedastisitas, dimana varian dari variabel terikat (Y) meningkat dengan meningkatnya nilai variabel bebas. Jika semua asumsi suatu model regresi linier terpenuhi, maka nilai koefisien regresinya yang diestimasi dengan metode ordinary least square (OLS) adalah ber-sifat BLUE (best linear unbiased estimator). Namun jika asumsi homoskedastsitas tidak terpenuhi (atau terjadi masalah heteroskedastisitas), maka koefisian regresi tersebut tetap tak bias dan masih konsisten, namun tidak lagi efisien, baik dalam sampel kecil maupun sampel besar (Gujarati, 1988).
Salah satu metode yang umum digunakan untuk mendeteksi gangguan heteroskedastsitas adalah dengan metode grafik (diagram pencar) residual, yaitu selisih antara nilai produktivitas prediksi ( ) dan nilai produktivitas observasi (Yi). Jika diagram pencar membentuk pola tertentu yang teratur, maka regresi mengalami gangguan heteroskedastistas. Sebaliknya, jika diagram pencar tidak membentuk pola atau tersebar secara acak, maka model regresi tidak mengalami masalah heteroskedastisitas (Supriana dan Nasution, 2010; Pratisto, 2009; Amilin dan Dewi, 2008). Berdasarkan metode tersebut, dapat dilihat diagram pencar model regresi linier (Gambar 25), dimana grafik tidak memiliki pola yang teratur sehingga tidak ditemukan masalah heteroskedastisitas dalam model yang digunakan.
135