BAB III METODE PENELITIAN
H. Pengujian Hipotesis
2. Uji Asumsi Klasik
Seperti diketahui di depan bahwa syarat uji regresi dan korelasi adalah data harus memenuhi prinsip BLUE; Best Linier Unbiased Estimator. Model regresi yang diperoleh dari metode kuadrat terkecil yang umum, atau Ordinary Least Square merupakan suatu model regresi yang memberikan nilai estimasi atas prakiraan linier tidak bisa yang paling baik. Maka untuk memperoleh BLUE (Best Linier Unbiased Estimator) ada kondisi atau syarat-syarat minimum yang harus ada pada data, syarat-syarat tersebut dikenal dengan suatu uji yang disebut uji asumsi klasik (Wibowo, 2012). Uji asumsi klasik bertujuan untuk mengetahui kondisi data yang dipergunakan dalam penelitian. Hal tersebut dilakukan agar diperoleh model analisis yang tepat. Model analisis regresi penelitian ini mensyaratkan uji asumsi terhadap data yang meliputi:
1) Uji Normalitas
Uji normalitas dilakukan guna mengetahui apakah nilai residu (perbedaan yang ada) yang diteliti memiliki distribusi normal atau tidak normal (Wibowo, 2012). Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui
i
bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil (Ghozali, 2013). Penelitian ini dilakukan dengan melihat pada grafik histogram yang dibandingkan distribusi kumulatif dari data sesungguhnya dengan distribusi kumulatif dari distribusi normal. Apabila distribusi kumulatif dari data sesungguhnya yang ditunjukkan oleh grafik histogram mengikuti pola distribusi kumulatif dari distribusi normal yang ditunjukkan oleh kurva normal, maka model regresi yang digunakan dalam penelitian ini dianggap layak dan memenuhi asumsi normalitas. Selain dilihat pada grafik histogram, dapat juga dilihat dari grafik normal probability plot. Apabila titik-titiknya menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi yang digunakan dianggap layak dan memenuhi asumsi normalitas. Dalam uji normalitas residual dengan histogram maupun grafik dapat menyesatkan apabila tidak hati-hati secara visual kelihatan normal, oleh karena itu untuk melengkapi uji histogram dan grafik dilakukan juga uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji statistik nonparametrik Kolmogorov-Smirnov (K-S). Uji Kolmogorov-Smirnov dapat dilakukan untuk menguji apakah residual terdistribusi secara normal.
2) Uji Multikolinearitas
Di dalam persamaan regresi tidak boleh terjadi multikolineartias, maksudnya tidak boleh ada korelasi atau hubungan yang sempurna atau mendekati sempurna antara variabel bebas yang membentuk persamaan tersebut. Jika pada model persamaan tersebut terjadi gejala multikolinearitas itu berarti sesama
i
variabel bebasnya terjadi korelasi (Wibowo, 2012). Uji multikolonieritas menurut Ghozali (2013) bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Jika variabel independen saling berkorelasi, maka variabel-variabel ini tidak ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama variabel independen sama dengan nol.
Untuk mendeteksi ada atau tidaknya multikolonieritas di dalam model regresi adalah sebagai berikut (Ghozali, 2013):
a) Nilai R2 yang dihasilkan oleh suatu estimasi model regresi sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
b) Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya di atas 0.90), maka hal ini merupakan indikasi adanya multikolonieritas. Tidak adanya korelasi yang tinggi antar variabel independen tidak berarti bebas dari multikolonieritas. Multikolonieritas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
c) Multikolonieritas dapat juga dilihat dari (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Kedua ukuruan ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel indenpenden menjadi variabel dependen (terikat) dan diregres terhadap variabel independen
i
lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/Tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolonieritas adalah nilai Tolerance ≤ 0.10 atau sama dengan nilai VIF ≥ 10. Setiap peneliti harus menentukan tingkat kolonieritas yang masih dapat ditolerir. Sebagai misal nilai tolerance = 0.10 sama dengan tingkat kolonieritas 0.95. Walaupun multikolonieritas dapat dideteksi dengan nilai Tolerance dan VIF, tetapi kita masih tetap tidak mengetahui variabel-variabel independen mana sajakah yang saling berkorelasi.
3) Uji Heteroskedastisitas
Suatu model dikatakan memiliki problem heteroskedastisitas itu berarti ada atau terdapat varian variabel dalam model yang tidak sama. Gejala ini dapat pula diartikan bahwa dalam model terjadi ketidaksamaan varian dari residual pada pengamatan model regresi tersebut. Uji heteroskedastisitas diperlukan untuk menguji ada tidaknya gejala ini (Wibowo, 2012). Uji Heteroskedastisitas menurut (Ghozali, 2013) bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap, maka di sebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau tidak terjadi Heteroskedastisitas.
i
Kebanyakan data crosssection mengandung situasi heteroskesdatisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan besar).
Salah satu cara untuk mendeteksi ada atau tidaknya heteroskedastisitas menurut (Ghozali, 2013) 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 grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi - Y sesungguhnya) yang telah di-subdentized. Dasar analisis sebagai berikut:
a) Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik yang menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
4) Uji Autokorelasi
Uji autokorelasi digunakan untuk suatu tujuan yaitu mengetahui ada tidaknya korelasi antar anggota serangkaian data yang diobservasi dan dianalisis menurut ruang atau menurut waktu, cross section atau time-series. Uji ini bertujuan untuk melihat ada tidaknya korelasi antara residual pada suatu pengamatan dengan pengamatan yang lain pada model (Wibowo, 2012). Uji autokorelasi menurut Ghozali (2013) bertujuan menguji apakah dalam model regresi linear ada korelasi
i
antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan penganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering di temukan pada data runtut waktu (time series) karena "gangguan" pada seseorang individu/kelompok cenderung mempengaruhi "gangguan" pada individu/kelompok yang sama pada periode berikutnya.
Pada data crossection (silang waktu), masalah autokorelasi relatif jarang terjadi karena "gangguan" pada observasi yang berbeda berasal dari individu. Kelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Salah satu cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi yaitu Uji Durbin - Watson (DW test) (Ghozali, 2013).
Kesimpulan dapat dilakukan dengan asumsi dan bantuan dua buah nilai dari tabel Durbin-Watson di bawah, yaitu nilai dL dan nilai dU pada K tertentu, K = jumlah variabel bebas dan pada n tertentu, n=jumlah sampel yang digunakan. Kesimpulan ada tidaknya autokorelasi didasarkan pada;jika nilai Durbin-Watson berada pada range nilai dU hingga (4-dU) maka ditarik kesimpulan bahwa model tidak terdapat autokorelasi. Nilai kritis yang digunakan adalah default spss = 5%. Cara yang lain adalah dengan menilai tingkat probabilitas, jika > 0.05 berarti tidak terjadi autokorelasi dan sebaliknya (Wibowo, 2012).
i
Durbin -Watson Kesimpulan
< dl Tedapat autokorelasi (+)
dL sampai dengan dU Tanpa kesimpulan
dU sampai dengan 4-dU Tidak terdapat autokorelasi 4 - dU sampai dengan 4 - dL Tanpa kesimpulan
> 4 - dL Ada autokorelasi (-)