BAB III. METODOLOGI 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 estimator yang linier tidak bias dengan varian yang minimum (Best Linear Unbiasea Estimator = BLUE), yang berarti model regresi tidak mengandung masalah. Untuk itu diperlukan pendektesian lebih lanjut diantaranya:
a. Uji Normalitas
Uji Normalitas adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Menurut Sugiyono (2011:241) Uji Normalitas merupakan uji yang dilakukan untuk mengetahui data berdistribusi normal atau tidak, data yang baik dan layak digunakan dalam penelitian yaitu data yang memiliki distribusi normal yang pada langkah selanjutnya tidak menyimpang dari kebenaran dan dapat dipertanggung jawabkan (Sudjana, 1996:291). Pengamatan data yang normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah.
52
Salah satu asumsi dalam analisis statistik adalah data berdistribusi normal. Dalam analisis multivariate, para peneliti menggunakan pedoman jika tiap variabel terdiri dari 30 data, maka data sudah berdistribusi normal. Apabila melibatkan 3 variabel, maka diperlukan 3 x 30 = 90. Meskipun demikian, untuk menguji dengan lebih akurat, diperlukan alat analisis dan EViews menggunakan 2 (dua) cara, yaitu dengan Histogram dan Uji Jarque-Bera. Uji Jarque-Bera adalah uji statistik untuk mengetahui apakah data berdistribusi normal. Uji ini mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan apabila datanya bersifat normal. Rumus yang digunakan adalah: (Winarno, 2009:5.37) − � = � − � 6 + K − Dimana: N = ukuran sampel S = Skewness/Kemencengan K = Kurtosis/Peruncingan
K = banyaknya koefisien yang digunakan di dalam persamaan Berikut hipotesis langkah-langkah pengujian normalitas:
Hipotesis : Ho : Model normal Ha : Model tidak normal
Bila probabilitas Obs*R2 > 0.05 signifikan, Ho diterima Bila probabilitas Obs*R2 < 0.05 tidak signifikan, Ho ditolak.
53
Data yang mempunyai distribusi yang normal berarti mempunyai sebaran yang normal pula. Dengan kondisi ini maka data tersebut dapat dijadikan sampel yang baik dan dapat mewakili populasi. Dengan H0 pada data distribusi normal, uji jarque-bera didistribusikan dengan X2 dengan derajat bebas (degree of freedom) sebesar 2. Probability menunjukkan kemungkinan nilai Jarque-Bera melebihi nilai terobservasi di bawah hipotesis nol. (Winarno, 2009:5.37).
b. Uji Multikolinearitas
Uji multikolinearitas adalah uji yang digunakan untuk mengetahui adanya hubungan antara beberapa atau semua variabel yang menjelaskan dalam model regresi. Sedangkan menurut Gujarati (2006: 62) multikolinearitas berarti adanya hubungan linier yang sempurna atau pasti diantara beberapa atau semua variabel yang menjelaskan (independen) dari model regresi.
Istilah multikolinearitas pertama kali ditemukan oleh Ragnar
Frisch yang berarti adanya hubungan linier yang “sempurna” atau pasti di
antara beberapa atau semua variabel bebas dari model regresi berganda. Terjadinya multikolinearitas biasanya merupakan akibat dari kecenderungan variabel ekonomi yang bergerak secara bersama-sama sepanjang waktu.
Dalam penelitian ini penulis akan melihat multikolinearitas dengan menguji koefisien korelasi (r) berpasangan yang tinggi di antara variabel-variabel penjelas. Sebagai aturan main yang kasar (rule of thumb), jika
54
koefisien korelasi cukup tinggi katakanlah diatas 0,8 ada kemungkinan terjadinya kolinearitas yang serius dalam model. Sebaliknya jika koefisien korelasi relatif rendah maka diduga model tidak mengandung multikolinieritas (Gujarati, 2006: 62).
Uji koefisien korelasinya yang mengandung unsur kolinearitas, misalnya variabel X1 dan X2. Langkah-langkah pengujian sebagai berikut :
Bila r < 0,8 (model tidak terdapat multikolinearitas) Bila r > 0,8 (model terdapat multikolinearitas)
Jika terjadi multikolinearitas pada model maka akan menyebabkan koefisien regresi yang tinggi namun dengan sejumlah variabel yang tidak signifikan. Sebaliknya jika tidak terdapat multikolinearitas maka koefisien regresi yang tinggi akan diikuti oleh sejumlah variabel yang signifikan (Rosadi, 2012:80).
Rumus korelasi, (Purwanto, 2002:193):
=
� ∑ − ∑ ∑√{�∑ − ∑ }{�∑ − ∑ }
Keterangan:
rxy = Koefisien korelasi antara variabel X dan Y N = Jumlah responden
∑XY = Jumlah perkalian antara X dan Y
∑↓ = Jumlah nilai X
∑Y = Jumlah nilai Y
55 ∑Y = Jumlah kuadrat dari Y
Sedangkan menurut Gujarati (2006:66) konsekuensi adanya multikolinieritas adalah:
1. Varians besar dan kesalahan standar estimator OLS. 2. Interval keyakinan yang lebih besar.
3. Rasio t tidak signifikan.
4. Nilai R2 yang tinggi tapi sedikit rasio t signifikan.
5. Estimator OLS dan kesalahan standarnya menjadi sangnat sensitif terhadap perubahan kecil dalam data; yakni, cenderung tak stabil.
c. Uji Heteroskedastisitas
Uji Heteroskedastisitas adalah uji yang digunakan karena terjadinya gangguan (error) yang muncul dalam fungsi regresi yang mempunyai varian yang tidak sama sehingga penaksir OLS tidak efisien baik dalam sampel kecil maupun sampel besar (tapi masih tetap tidak bias dan konsisten). Menurut Ghozali (2005:105) uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance residual dari satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedatisitas. Model regresi yang baik adalah tidak terjadi Heteroskedastisitas (Gujarati, 2007:82).
Heterokedastisitas terjadi apabila varian Ut tidak konstan atau berubah-ubah seiring dengan berubahnya variabel. Akibat terjadinya
56
heteroskedastisitas maka setiap terjadi perubahan pada variabel terikat mengakibatkan errornya (residual) juga berubah sejalan atau kenaikan atau penurunannya. Dengan kata lain konskuensinya apabila variabel terikat bertambah maka kesalahan juga akan bertambah (Gujarati, 1988:401).
Dalam penelitian ini digunakan metode White untuk mendeteksi heteroskedastisitas. Uji White dilakukan dengan meregresikan residual kuadrat sebagai variabel dependen ditambah dengan kuadrat variabel independen.
Regresi awal :
Y = β0 + β1↓1 + β2↓2 + β3↓3 Regresi White :
ei² = β0 + β1↓1 + β2↓2 + β3↓3 + β1↓12+ β2↓22+ β3↓32 Langkah-langkah pengujian heteroskedastisitas sebagai berikut Hipotesis : Ho : Model tidak terdapat heteroskedastisitas.
Ha : Model terdapat heteroskedastisitas.
Bila probabilitas Obs*R2 > 0.05 Ho diterima. Bila probabilitas Obs*R2 < 0.05 Ho ditolak.
Jika model bebas dari heteroskedastisitas maka model tidak berubah untuk setiap amatan atau tidak dipengaruhi oleh waktu, karena varian atau keragaman error pada model tetap atau konstan. Sebaliknya, jika terjadi heteroskedastisitas model dapat berubah-ubah karena varian atau keragaman error pada model tidak tetap atau tidak konstan.
57
Sedangkan menurut Gujarati (2006:87) konsekuensi adanya heteroskedastisitas adalah:
1. Estimator OLS masih linear. 2. Masih tak bias.
3. Tapi tidak lagi memiliki varians; artinya, tidak lagi efisien. Ini berlaku juga dalm sampel yang besar.
4. Rumus-rumus biasa untuk menaksir varians estimator OLS umumnya bias.
d. Uji Autokorelasi
Uji Autokorelasi adalah untuk mengetahui adanya korelasi antara variabel gangguan sehingga penaksir tidak lagi efisien baik dalam model sampel kecil maupun dalam sampel besar. Autokorelasi bisa didefinisikan sebagai korelasi di antara anggota observasi yang diurut menurut waktu (seperti deret berkala) atau ruang (seperti data lintas-sektoral) (Gujarati 2006:112).
Untuk melihat ada tidaknya penyakit autokorelasi dapat juga digunakan uji Langrange Multiplier (LM Test) dengan membandingkan nilai probabilitas R-Square dengan α = 0.05 (Gujarati 2006:112). Selain itu cara untuk mendeteksi autokorelasi dengan menggunakan statistik d dari Durbin-Watson.
Statistik d dari Durbin-Watson memiliki rumus sebagai berikut:
d = ∑ ��−��−
�−� �−
58
Keterangan:
et = residual tahun t
et-1 = residual satu tahun sebelumnya N = jumlah observasi
Langkah-langkah pengujian autokorelasi sebagai berikut : Hipotesis : Ho : Model tidak terdapat Autokorelasi
Ha : Model Terdapat Autokorelasi.
Bila probabilitas Obs*R2 > 0.05 Ho diterima.
Bila probabilitas Obs*R2 < 0.05 Ho ditolak
Apabila probabilitas Obs*R2 lebih besar dari 0.05 maka model tersebut tidak terdapat autokorelasi. Apabila probabilitas Obs*R2 lebih kecil dari 0.05 maka model tersebut terdapat autokorelasi. Selain itu, ada salah satu cara lagi yang digunakan untuk mendeteksi autokorelasi adalah uji Durbin Watson (D-W). Berikut table 3.1 yang digunakan untuk menentukan ada tidaknya autokorelasi dengan uji Durbin-Watson.
(Gujarati , 2006:119) : Tabel 3.1 Uji Durbin-Watson (DW) Tolak Ho, berarti ada autokorelasi positif Daerah meragukan Terima Ho, tidak ada Autokorelasi Daerah meragukan Tolak Ho, berarti ada autokorelasi negatif 0 dl du 2 4-du 4-dl 4
Menurut Gujarati (2006:115) konsekuensi adanya autokorelasi adalah:
59
1. Estimator kuadrat kecil masih linear dan tak bias.
2. Tapi estimator tersebut tidak efisien; artinya, tidak memiliki varians
minimum bila dibandingkan dengan prosedur yang
mempertimbangkan autokorelasi.