METODE PENELITIAN 3.1 Jenis Penelitian
3.10 Uji Asumsi Klasik
Sebelum melakukan pengujian hipotesis, maka terlebih dahulu akan dilakukan pengujian asumsi klasik terhadap data penelitian untuk mengetahui
kelayakan dari model analisis data yang digunakan. Uji asumsi klasik ini yang terdiri dari uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.
3.10.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam sebuah model regresi, variabel penganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak, yaitu dengan analisi grafik dan uji statistik.
a. Analisis Grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Namun demikian, jika hanya dengan melihat histogram, hal ini dapat menyesatkan khusunya untuk jumlah sampel yang kecil. Metode yang lebih handal adalah dengan melihat normal probability plot yang membandingkan distribusi kumulatif dari didtribusi normal. Distribusi normal akan membentuk satu garis lurus diagonal dan ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi normal, maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. (Ghozali, 2005)
Pada dasarnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
b. Analisis Statistik
Uji normalitas dengan grafik dapat menyesatkan jika tidak hati-hati secara visual kelihatan normal, padahal secara spesifik bisa sebaliknya. Oleh sebab itu, dianjurkan disamping uji grafik dilengkapi dengan uji statistik. Pengujian normalitas ini akan dilakukan dengan uji statistik non-parametrik Kolmogrov-Smirnov (K-S). (Ghozali, 2005)
Untuk melihat apakah suatu data mempunyai distribusi normal, maka kriteria pengujiannya adalah sebagai berikut:
1. Jika angka signifikansi > 0,05 maka data mempunyai distribusi normal 2. Jika angka signifikansi < 0,05 maka data tidak mempunyai distribusi normal.
3.10.2 Uji Multikolinearitas
Multikolinearitas adalah korelasi sempurna (100%) diantara variabel penjelas yang dimasukkan ke dalam model. Uji multikolinearitas bertujuan untuk
menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebas. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah independen yang nilai korelasi antar sesama variabel independen sama dengan nol. (Ghozali, 2005)
Untuk mendeteksi apakah model regresi yang dipakai bebas dari permasalahan multikolinearitas dapat dilihat dari besaran Variance Inflation Factor (VIF). Pedoman pengambilan keputusan pada pengujian ini adalah:
1. Jika Variance Inflation Factor (VIF) > 10 maka artinya terdapat persoalan multikolinearitas diantara variabel bebas.
2. Jika Variance Inflation Factor (VIF) < 10 maka artinya tidak terdapat persoalan multikolinearitas diantara variabel bebas.
3.10.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan lainnya. Jika varians dari residual satu pengamtatan ke pengamatan lain tetap, maka dapat disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang, dan besar).
Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas adalah dengan melihat grafik plot antara nilai prediksi variabel terikat (dependen) yaitu
ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi – Y sesungguhnya).
Pengambilan keputusan untuk ada tidaknya heteroskedastisitas adalah sebagai berikut:
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, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. (Ghozali, 2005)
Selain itu dapat dideteksi dengan menggunakan uji glejser. Uji glejser dilakuakan dengan meregresi nilai absolut residual terhadap variabel dependen signifikan secara statistik mempengaruhi variabel dependen maka ada indikasi terjadi heteroskedastisitas.
3.10.4 Uji Autokorelasi
Uji ini digunakan untuk menguji apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (periode sebelumnya). Jika terjadi korelasi, maka dinamakan ada masalah autokorelasi. Autokorelasi muncul karena observasi yang beruntutan sepanjang waktu yang berkaitan satu dengan lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi
lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada seseorang individu/kelompok yang sama pada periode berikutnya.
Pada data cross section (silang waktu), masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi berbeda berasal dari individu/kelompok yag berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk mengetahui adanya autokorelasi dalam suatu model regresi dapat dilakukan dengan UjiDurbin Watson. (Ghozali, 2005)
Hipotesis yang akan diuji adalah: H0 :tidak ada autokorelasi (r = 0)
Ha : ada autokorelasi (r ≠ 0)
Kriteria pengujiannya adalah sebagai berikut:
- Jika nilai D-W dibawah -2, berarti ada autokorelasi positif;
- Jika nilai D-W diantara -2 sampai +2, berarti tidak ada autokorelasi; - Jika nilai D-W diatas +2, berarti autokorelasi negatif.
BAB IV
HASIL DAN PEMBAHASAN