METODE PENELITIAN
G. Metode Analisis Data
1. Uji Asumsi klasik
Penggunaan analisis regresi dalam statistik harus bebas dari asumsi-asumsi klasik seperti normalitas data, autokorelasi, heteroskedastisistas dan
asumsi klasik lainnya. Adapun pengujian asumsi klasik yang digunakan adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Kalau nilai residual tidak mengikuti distribusi normal, uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2005:110). Menurut Ghozali (2005:110), ”cara untuk mendeteksi apakah residual berdistribusi normal atau tidak ada dua, yaitu analisis grafik dan analisis statistik. Normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dan grafik dengan melihat histogram dari residualnya”. Dasar pengambilan keputusannya adalah:
1) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola berdistribusi normal, maka model regresi memenuhi asumsi normalitas,
2) Jika data menyebar jauh dari diagonal dan tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan data berdistribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
”Uji statistik yang dapat digunakan untuk menguji normalitas residual adalah uji statistik Kolmogorov-Smirnov (K-S)”, yang dijelaskan oleh Ghozali (2005:115). Uji K-S dibuat dengan membuat hipotesis:
H0 : Data residual berdistribusi normal HA : Data residual tidak berdistribusi normal
Bila signifikansi >0,05 dengan α = 5% berarti distribusi data normal dan Ho diterima, sebaliknya bila nilai signifikan <0,05 berarti distribusi data tidak normal dan Ha diterima. Jika data tidak normal, ada beberapa cara mengubah model regresi menjadi normal menurut Jogiyanto (2004:172), yaitu:
1) dengan melakukan transformasi data ke bentuk lain, yaitu: logaritma natural, akar kuadrat, logaritma 10,
2) lakukan trimming, yaitu memangkas observasi yang bersifat outlier,
3) lakukan winsorizing, yaitu mengubah nilai-nilai data outliers menjadi nilai-nilai minimum atau maksimum yang diizinkan supaya distribusinya menjadi normal.
b. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 atau sebelumnya. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini paling sering ditemukan pada data runtut waktu atau time series karena
“gangguan” pada seorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Untuk mengetahui adanya autokorelasi dapat dideteksi dengan menggunakan Durbin Watson statistik. Menurut Ghozali (2005: 96) cara yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan menggunakan nilai uji Durbin Watson dengan ketentuan sebagai berikut:
1). Tidak ada autokorelasi positif, jika 0 < d < dl 2). Tidak ada autokorelasi positif, jika dl ≤ d ≤ du
3). Tidak ada korelasi negatif, jika 4 - dl < d < 4 4). Tidak ada korelasi negatif, jika 4 – du ≤ d ≤ 4 – dl
5). Tidak ada autokorelasi, positif atau negatif, jika du < d < 4 – du Run test sebagai bagian dari statistik non parametrik dapat pula digunakan untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau random yaitu dengan melihat nilai probabilitasnya. Menurut Ghozali (2005: 103) bila signifikansi >0,05 dengan α = 5% berarti residual random dan H0 diterima, sebaliknya bila nilai signifikan <0,05 berarti residual tidak random dan H0 ditolak
c. Uji Heteroskedastisitas
Heteroskedastisitas merupakan situasi dimana dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Erlina (2007:108) menyatakan “jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedastisitas. Sebaliknya, jika varians berbeda, maka disebut heterokedasitas”. Ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat grafik Scatterplot antar nilai prediksi variabel independen dengan nilai residualnya. Dasar analisis yang dapat digunakan untuk menentukan heteroskedastisitas, antara lain:
1). Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (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.
Menurut Gozali (2005:107) ”analisis dengan grafik plots memiliki kelemahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil ploting. Semakin sedikit jumlah pengamatan semakin sulit menginterpretasikan hasil grafik plot. Oleh sebab itu diperlukan uji statistik yang lebih dapat menjamin keakuratan hasil”. Ada beberapa uji statistik yang dapat digunakan untuk mendeteksi ada tidaknya heteroskedastisitas, antara lain:
1). Uji Park, 2). Uji Glejser.
d. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi diantara variabel independen. Model regresi yang baik seharusnya menunjukkan tidak terjadinya korelasi diantara variabel independen. Multikolinearitas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Dalam hal ini kita sebut variabel-variabel bebas tidak ortogonal. Variabel-variabel bebas yang bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi diantara sesamanya sama dengan nol.
Model regresi yang baik seharusnya tidak ada korelasi antar variabel independen. Ada tidaknya multikolonieritas dapat dideteksi dengan melihat:
1) Melihat nilai tolerance, nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai tolerance > 0,10. 2) Melihat nilai variance inflation factor (VIF), nilai cutoff yang umum
dipakai untuk menunjukkan adanya multikolonieritas adalah nilai VIF < 10.
Menurut Ghozali (2005: 93) untuk matrik korelasi adanya indikasi multikolonieritas dapat dilihat jika antar variabel independen ada korelasi yang cukup tinggi umumnya diatas 0,95.
Jika terjadi korelasi sempurna diantara sesama variabel bebas, maka konsekuensinya adalah: (a)koefisien-koefisien regresi menjadi tidak dapat ditaksir, (b)nilai standar error setiap regresi menjadi tak terhingga. Apabila terjadi korelasi antara variabel independen, maka dinamakan terdapat problem multikolinearitas.