BAB III METODOLOGI PENELITIAN
D. Metode Analisis Data
2. Uji Asumsi Klasik
Menurut Suharyadi dan Purwanto (2013: 230) beberapa asumsi dalam regresi berganda adalah sebagai berikut:
74 a) Variabel terikat dan variabel bebas memiliki hubungan yang linier atau
hubungan garis lurus.
b) Variabel terikat haruslah variabel yang bersifat continue dan paling tidak berskala selang.
c) Nilai keragaman atau residu, yaitu selisih antara data pengamatan dan data dugaan hasil regresi harus sama untuk semua nilai Y.
d) Pengamatan-pengamatan untuk variabel terikat dari satu pengamatan ke pengamatan lain harus bebas atau tidak berkorelasi.
Asumsi-asumsi tersebut harus dipenuhi dalam menyusun regresi berganda agar hasilnya tidak bias. Menurut Al-Ghifari (2013: 83), model regresi yang baik adalah model regresi yang menghasilkan estimasi linier tidak bias (Best Liniear Unbias Estimator/ BLUE). Kondisi ini akan terjadi jika dipenuhi beberapa asumsi, yang disebut dengan asumsi klasik. Asumsi klasik terdiri dari :
Non-multikoleniaritas. Artinya antar variabel independen yang satu dengan independen yang lain dalam model regresi tidak saling berhubungan secara sempurna atau mendekati sempurna.
Homokedastisitas. Artinya, varians semua variabel adalah konstan (sama).
Non-otokolerasi. Artinya, tidak terdapat pengaruh dari variabel dalam model melalui tenggang waktu (time lag). Misalnya, nilai suatu variabel saat ini akan berpengaruh terhadap nilai variabel lain pada
75 masa yang akan datang. Menurut model klasik ini tidak mungkin terjadi.
Nilai rata-rata kesalahan (error) populasi pada model stokhastiknya sama dengan nol.
Variabel independen adalah nonstokastik (nilai konstan pada setiap kali percobaan yang dilakukan secara berulang).
Distribusi kesalahan (error) adalah normal.
a. Uji Normalitas
Salah satu asumsi dalam analisis statistika adalah data berdistribusi normal. Ada teorema mengagumkan dalam statistik -teorema limit sentral (TLS) - yang mula-mula dikemukakan oleh pakar matematika berkebangsaan Prancis, Laplace, yang menyatakan bahwa apabila X1, X2, …,Xn merupakan variabel acak dari populasi (dalam hal ini distribusi probabilitas) manapun dengan rata-rata υx dan varians σ2x maka rata-rata sampe X cenderung didistribusikan secara normal dengan rata-rata υx dan varians 𝜎 2𝑥
𝑛 ketika ukuran sampel naik tak hingga tak terbatas (dalam bahasa teknik tak terhingga). Tentu saja jika X1 kebetulan berasal dari populasi normal, maka rata-rata sampel akan mengikuti distribusi normal tanpa peduli terhadap ukuran sampel.
Dalam prakteknya, tak peduli distribusi probabilitas apapun yang mendasarinya, rata-rata sampel dari besaran sampel yang terdiri dari sekurang-kurangnya 30 observasi akan mendekati normal (Gujarati:
2006: 77).
76 1) Cara Mengenali Normalitas
Menurut Ghozali (2011: 160) Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik. Normalitas dapat dideteksi dengan melihat penyebaran data (titik-titik) pada sumbu diagonal dari grafik normal P-P Plots.
i) Jika data menyebar di sekitar garis diagonal, maka data berdistribusi normal.
ii) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka data tidak berdistribusi normal.
2) Pengaruh Ketidaknormalan Data
Menurut Widarjono (2010: 111), salah satu asumsi model regresi adalah residual mempunyai distribusi normal. Apa konsekuensinya jika model tidak mempunyai reisdual yang berdistribusi normal? Uji t untuk melihat signifikansi variabel independen terhadap variabel dependen tidak bisa diaplikasikan jika residual tidak mempunyai distribusi normal.
3) Cara Menghilangkan Ketidaknormalan Data
Menurut Rosadi (2012: 36), salah satu hal yang dapat dilakukan jika data tidak berdistribusi normal adalah melakukan transformasi terhadap data.
77 b. Uji Multikolinieritas
Multikolinearitas dikemukakan pertama kali oleh Ragner Frish.
Frish menyatakan bahwa multikolinier adalah adanya lebih dari satu hubungan linear yang sempurna. Mengapa dalam regresi berganda tidak boleh terjadi multikolinier? Menurut Frish apabila terjadi multikolinier apalagi kolinier yang sempurna (koefisien korelasi antar variabel bebas = 1), maka koefisien regresi dari variabel bebas tidak dapat ditentukan dan standar error-nya tidak terhingga (Suharyadi dan Purwanto, 2013: 231).
Menurut Winarno (2011: 5.1) multikolinieritas adalah adanya hubungan linier antarvariabel independen. Karena melibatkan beberapa variabel independen, maka multikolinieritas tidak akan terjadi pada persamaan regresi sederhana (yang terdiri dari satu variabel dependen dan satu variabel independen).
1) Cara Mengenali Multikolinieritas
Suharyadi dan Purwano (2013) mengemukakan beberapa teknik untuk mengenali multikolinieritas:
i) Variabel bebas secara bersama-sama pengaruhnya nyata, atau Uji F-nya nyata, namun ternyata setiap variabel bebasnya secara parsial pengaruhnya tidak nyata, (Uji t-nya tidak nyata).
ii) Nilai koefisien determinasi R2 sangat besar, namun ternyata variabel bebasnya berpengaruh tidak nyata.
78 iii) Nilai koefisien korelasi parsial, yaitu ryx1.x2, ryx2.x1, dan rx1x1.y ada
yang lebih besar dari koefisien determinasinya.
2) Pengaruh Multikolinieritas
Menurut Winarno (2011) apabila model prediksi kita memiliki multikolinieritas, maka akan memunculkan akibat-akibat berikut ini:
i) Estimator masih bisa bersifat BLUE, tetapi memiliki varian dan kovarian yang besar, sehingga sulit dipakai sebagai alat estimasi
ii) Interval estimasi cenderung lebar dan nilai statistik Uji t akan kecil, sehingga menyebabkan variabel independen tidak signifikan secara statistik dalam mempengaruhi variabel independen.
3) Cara Menghilangkan Multikolineritas
Ada beberapa cara yang dapat dilakukan untuk menghilangkan multikolinieritas menurut Winarno (2011: 5.7), diantaranya adalah:
i) Biarkan saja model kita mengandung multikolinieritas, karena estimatornya masih bersifat BLUE. Sifat BLUE tidak terpengaruh oleh ada tidaknya korelasi antarvariabel independen. Namun harus diketahui bahwa multikolinieritas akan menyebabkan standar error lebih besar.
79 ii) Tambahkan datanya bila memungkinkan, karena biasanya masalah multikolinier biasanya muncul karena jumlah observasinya sedikit.
iii) Hilangkan salah satu variabel independen, terutama yang memiliki hubungan linier yang kuat dengan variabel lain.
Namun apabila teori variabel independen tersebut tidak mungkin dihilangkan, berarti harus tetap dipakai.
iv) Transformasikan salah satu (atau beberapa) variabel, termasuk misalnya dengan melakukan diferensiasi.
c. Uji Heterokedastisitas
Heterokedastisitas dilakukan untuk melihat nilai varians antar nilai Y, apakah sama atau heterogen. Menurut Ariefianto dalam Rolis (2014: 67) asumsi penting (asumsi Gauss Markov) dalam penggunaan OLS adalah varians residual yang konstan. Varians dari residual tidak berubah dengan berubahnya satu atau lebih variabel bebas. Jika asumsi ini terpenuhi, maka residual disebut homokedastis. Jika tidak, disebut heterokedastis.
1) Cara Mengenali Heterokedastisitas
Menurut Suharyadi dan Purwanto (2013: 232), pendeteksian heterokedastisitas dapat dilakukan dengan dua cara yaitu:
i) Metode grafik, menghubungkan antara Y dan e2, di mana apabila hubungan Y dan e2 tidak sistematis seperti makin
80 membesar atau mengecil seiring bertambahnya Y, maka tidak terjadi heterokedastisitas.
ii) Uji korelasi Rank Spearman, digunakan untuk menguji heterokedastisitas apabila nilai korelasi rank Spearman lebih besar dari nilai t-tabel.
Sementara itu, menurut Winarno (2011: 5.8), ada beberapa metode yang dapat digunakan untuk mengidentifikasi ada tidaknya masalah heterokedastisitas. Beberapa metode tersebut adalah dengan metode grafik, Uji Park, Uji Glejser, Uji Korelasi Spearman, Uji Goldfeld Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White.
2) Pengaruh Heterokedastisitas
Menurut Suharyadi dan Purwanto (2013: 232), ada tiga dampak yang terjadi akibat terjadinya heterokedastisitas yaitu sebagai berikut:
i) Walaupun terjadi heterokedastisitas, koefisien penduga (b1 dan b2) tetap efisien, namun variannya atau kesalahan baku penduganya menjadi lebar atau tidak efisien.
ii) Interval keyakinan untuk koefisien regresi menjadi semakin lebar dan uji signifikansi kurang kuat
iii) Apabila kita menggunakan OLS, maka Uji t dan Uji F tidak berfungsi sebagaimana mestinya, sehingga diperlukan perubahan-perubahan.
81 3) Cara Menghilangkan Heterokedastisitas
Cara mengatasi heterokedastisitas dapat dilakukan dengan cara-cara sebagai berikut:
i) Melakukan metode kuadrat terkecil tertimbang, nilai tertimbang dapat dilakukan berdasarkan apriori atau observasi.
ii) Melakukan transformasi log atau data ditransformasi ke bentuk lainnya seperti 1/X atau yang lainnya.
d. Uji Autokorelasi
Autokorelasi dikenalkan oelh Maurice G Kendall dan William R Buckland. Autokorelasi merupakan korelasi antara anggota observasi yang disusun menurut urutan waktu. Ada beberapa penyebab autokorelasi yaitu (a) kelembaman, kelembaman biasanya terjadi dalam fenomena ekonomi dimana sesuatu akan mempengaruhi suatu yang lain dengan mengikuti siklus bisnis saling berkaitan. (b) terjadinya bias spesifikasi, yaitu ada beberapa variabel yang tidak termasuk dalam model, dan (c) bentuk fungsi yang digunakan tidak tepat, misalnya seharusnya bentuk nonlinier tetapi digunakan linier atau sebaliknya (Suharyadi dan Purwanto, 2013: 232)
1) Cara Mengenali Autokorelasi
Pendeteksian autokorelasi dapat dilakukan dengan cara-cara sebagai berikut:
i) Metode grafik yang menghubungkan antara error (e) atau residu dengan waktu, apabila terdapat hubungan yang
82 sistematis, baik meningkat atau menurun, menunjukkan adanya autokorelasi
ii) Uji Durbin Watson, pada uji D-W adanya autokorelasi positif jika nilai D-W berada diantara 0 sampai dengan 1,10, serta autokorelasi negatif jika nilai D-W berada diatas 2,90.
Sedangkan jika model terbebas dari masalah autokorelasi, nilai D-W berada diantara 1,54 sampai dengan 2,46. Model tidak dapat diputuskan terdapat autokorelasi atau tidak jika nilai D-W berada diantara 1,10 sampai dengan 1,54 dan 2,46 sampai dengan 2,90.
2) Pengaruh Autokorelasi
Winarno (2011: 5.23) menjelaskan akibat yang ditimbul dari autokorelasi, diantaranya:
i) Estimator metode kuadrat terkecil masih linier ii) Estimator metode kuadrat terkecil masih tidak bias
iii) Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (no longer best)
Ia juga menyimpulkan bahwa seperti halnya heterokedastisitas, autokorelasi juga menyebabkan estimator bersifat LUE, tidak lagi BLUE.
3) Cara Menghilangkan Autokorelasi
Apabila data mengandung autokorelasi, data harus segera diperbaiki agar model tetap dapat digunakan. Menurut Winarno
83 (2011: 5.31) masalah autokorelasi harus diketahui terlebih dahulu besarnya koefisien autokorelasi, ρ.
Untuk menghitung nilai ρ, dapat digunakan Uji G atau biasa dikenal dengan Uji Berenblutt-Webb. Setelah ρ diketahui, barulah autokorelasi dapat dihilangkan. Beberapa alternatif yang digunakan untuk menghilangkan masalah autokorelasi adalah sebagai berikut:
i) Bila struktur autokorelasi ρ diketahui, masalah autokorelasi dapat diatasi dengan melakukan transformasi terhadap persamaan.
ii) Bila struktur ρ tidak diketahui, alternatifnya adalah:
Bila ρ tinggi: metode diferensi tingkat pertama
Bila ρ rendah: metode OLS
Bila ρ tidak diketahui: metode Cochrane-Orcutt
Autokorelasi mengakibatkan koefisien regresi yang dihasilkan tidak efisien sehingga menjadi tidak dapat dilakukan.
Disini peneliti menggunakan pengujian lain yaitu Metode Newey, Whitney dan Kenneth (HAC) agar uji t dan F tetap bisa dilakukan (Widarjono, 2010: 109).