BAB IV ANALISIS DAN PEMBAHASAN
METODELOGI PENELITIAN
D. Metode Analisis Data
1. Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mendeteksi apakah terdapat multikolinieritas, heteroskedastisitas, dan autokorelasi. Uji Asumsi Klasik penting dilakukan untuk menghasilkan estimat or linier tidak bisa dengan varian yang minimum (Best Linier Unbiased Estimator = BLUE), yang berarti model regresi tidak mengandung masalah Menurut (Gujarati, 1995 : 72-73) teorama Gauss-Markow memperkirakan bahwa OLS harus memenuhi kriteria BLUE, yaitu:
a. Best, yang terbaik. Hasil regresi dikatakan Best apabila garis regresi yang dihasilkan guna melakukan estimasi atau peramalan dari sebaran data, menghasilkan error yang terkecil.
b. Linier, merupakan kombinasi dari data sampel. Linier dalam model artinya model yang digunakan dalam analisis regresi telah sesuai dengan kaidah model OLS dimana variabel-variabel penduganya hanya berpangku satu.
c. Urbiased, rata-rata nilai harapan (E/b) harus sama dengan nilai sebenarnya (b1).
d. Estimator, memiliki varians yang minimal diantara pemerkira lain yang tidak bisa.
a. 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 mengansumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2013 : 160). Nilai residual dikatakan berdistribusi normal jika nilai residual terstandarisasi tersebut sebagian besar mendekati nilai rata-ratanya. Untuk mendeteksi apakah nilai residual terstandarisasi berdistribusi normal atau tidak, maka dapat digunakan metode analisis grafik dan metode statistik.
Salah satu cara mudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian hanya dengan melihat histogram hal ini dapat menyesatkan khususnya jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari distribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal, dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi data residual normal maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
diantaranya adalah :
1) Jika jumlah sampel besar, kita perlu menghilangkan nilai outliner dari data. Kita bisa membuang nilai-nilai yang ekstrem, baik atas atau bawah. Nilai ekstrem ini disebut outliers. Pertama kita perlu membuat grafik, dengan sumbu x sebagai frekuensi dan y sebagai semua nilai yang ada dalam data kita. Dari sini kita akan bisa melihat nilai mana yang sangat jauh dari kelompoknya. Nilai inilah yang kemudian perlu dibuang dari data kita, dengan asumsi nilai ini muncul akibat situasi yang tidak biasanya.
2)Melakukan transformasi data, ada banyak cara untuk mentransformasi data kita, misalnya dengan mencari akar kuadrar dari data kita, dll.
3) Menggunakan alat analisis nonparametric, analisis ini disebut juga analisis yang distribusi free. Sayangnya analisis ini seringkali mengubah data menjadi lebih rendah dari tingkatnya. Misal kalau sebelum data kita termasuk data interval dengan analisis ini akan diubah menjadi data ordinal.
b. Uji Multikolinieritas
Uji Multikolonieritas bertujuan untuk menguji apakah dalam model regresi yang terbentuk ada korelasi yang tinggi atau sempurna diantara variabel bebas atau tidak. Jika dalam model regresi yang terbentuk terdapat korelasi yang tinggi atau sempurna diantara variabel bebas maka model regresi tersebut dinyatakan mengandung
gejala multikolonier (Suliyanto, 2011:81).
Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi dapat dilihat dari nilai
Tolerance dan Variance Inflation Factor (VIF). Kedua ukuran ini menunjukkan setiap variabel bebas manakah yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang terpilih yang tidak dijelaskan oleh variabel bebas lainnya. Jadi, nilai tolerance
yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai cut off yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance > 0,10 atau sama dengan VIF < 10, maka model dinyatakan tidak terdapat gejala multikolonieritas (Ghozali, 2012 : 105).
Jika model mengandung multikolonieritas yang serius yakni korelasi yang tinggi antar variabel independen, maka ada beberapa cara yang dapat dilakukan untuk menyembuhkannya:
1) Menghilangkan Variabel Independen
Salah satu metode sederhana yang bisa dilakukan adalah dengan menghilangkan salah satu variabel independen yang mempunyai hubungan linier kuat. Namun menghilangkan variabel independen di dalam suatu model akan menimbulkan bias spesifikasi model regresi.
2) Transformasi Variabel
Transformasi variabel dapat dilakukan dengan cara melakukan transformasi ke dalam bentuk diferensi pertama (first diffeeence). Bentuk difference pertama ini akan mengurangi masalah multikolonieritas. Transformasi variabel ini akan tetap menimbulkan maslaah berkaitan dengan masalah variabel gangguan. Kesalahan pengganggu Vt mungkin tidak memenuhi salah satu asumsi dari pada model regresi linier kalsik yang mengatakan bahwa kesalahan pengganggu tidak berkorelasi antara yang satu dengan yang lainnya, akan tetapi kemungkinan besar berkorelasi serial (serially correlated).
3) Penambahan Data
Masalah multikolonieritas ada dasarnya merupakan persoalan sampel. Oleh karena itu, masalah multikolonieritas seringkali diatasi jika kita menambah jumlah data. Ketika menambah jumlah data karena ada masalah multikolonieritas antara X1 maka akan menyebabkan variansi β1 akan mengalami penurunan. Jika varian mengalami penurunan maka otomatis standar error juga akan mengalami penurunan. Dengan kata lain, jika multikolonieritas variabel independen tidak signifikan mempengaruhi variabel dependen melalui uji t, maka dengan penambahan jumlah data maka sekarang variabel independen menjadi signifikanm mempengaruhi variabel dependen (Agus Widarjono, 2010).
c. Uji Heteroskedastisitas
Uji heterokedastisitas bertujuan untuk mengetahui apakah variasi residual absolut sama atau tidak sama untuk semua pengamatan. Gejala heterokedastisitas ditunjukan oleh koefisien regresi dari masing-masing variabel bebas terhadap nilai absolut residualnya. Jika nilai probabilitas lebih besar dari nilai alpha (Sig. > α), maka dapat dipastikan model tidak mengandung gejala heterokedastisitas (Sudarmanto, 2005).
Ada beberapa cara untuk mendeteksi ada atau tidaknya heterokedastisitas, yaitu melihat grafik plot antara lain nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Dasar analisis : (1) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heterokedastisitas; (2) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heterokedastisitas (Gozali, 2012).
d. Uji Autokorelasi
Uji autokorelasi dimaksudkan untuk menguji model linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-sebelumnya. Adanya autokorelasi dapat mengakibatkan penaksir mempunyai varians tidak minimum dan uji-t tidak dapat digunakan, karena akan memberikan kesimpulan yang
salah. Ada beberapa cara untuk mendeteksi ada-tidaknya masalah autokorelasi, yaitu menggunakan metode Durbin-Watson dan metode
Run Test sebagai salah satu uji statistic non-parametik. Uji Durbin-Watson (Uji D-W) merupakan uji yang sangat populer untuk menguji ada-tidaknya masalah autokorelasi dari model empiris yang diestimasi (Sudarmanto, 2005).
Menurut Oramahi (2007), untuk mendeteksi terjadi autokorelasi atau tidak dapat dilihat melalui nilai Durbin-Watson (DW) yang bisa dijadikan patokan untuk mengambil keputusan adalah :
1) Bila nilai D-W < -2, berarti ada autokorelasi positif.
2) Bila nilai D-W diantara -2 sampai dengan +2, berarti tidak terjadi autokorelasi.
3) Bilai nilai D-W +2, berarti ada autokorelasi negatif
Jika ada masalah autokorelasi, maka model regresi yang seharusnya signifikan (lihat angka F dan signifikannya), menjadi tidak layak untuk dipakai. Autokorelasi dapat diatas dengan berbagai cara antara lain dengan melakukan transformasi data dan menambah data observasi.