BAB III METODE PENELITIAN
3.9 Teknik Analisis Data
3.9.2 Uji Asumsi Klasik
Uji asumsi klasik terhadap model regresi digunakan agar dapat mengetahui apakah model regresi tersebut merupakan model regresi yang layak atau tidak (Ghozali, 2016). Yang perlu dilakukan dalam uji asumsi klasik adalah uji normalitas, uji multikolonieritas, uji autokorelasi dan uji heteroskedastisitas.
48 3.9.2.1 Uji Normalitas
Tujuan dari uji normalitas adalah untuk menguji apakah model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2018). Uji t dan uji F mengasumsikan nilai residual mengikuti distribusi normal. Apabila asumsi ini dilanggar, maka uji statistik dengan jumlah sampel yang kecil akan tidak valid.
Menurut Ghozali (2018), ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji statistik, yaitu sebagai berikut :
1. Analisis grafik
a. Histogram Display Normal Curve
Normalitas data bisa dilihat berdasarkan bentuk kurva. Data dikatakan normal jika bentuk kurva memiliki kemiringan yang cenderung seimbang.
b. Kurva Normal P-Plot
Normalitas data dapat dilihat dengan menggunakan normal P-Plot.
Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya.
Dasar pengambilan keputusan menurut Ghozali yaitu :
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukkan distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis diagonal atau grafik histogram tidak menunjukkan pola distribusi normal, maka model regresi tidak menunjukkan asumsi normalitas.
2. Analisis Statistik
a.Uji Kurtosis dan Skewness
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, padahal secara statistik bisa sebaliknya. Oleh sebab itu, dianjurkan di samping uji grafik dilengkapi dengan uji statistic. Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual.
49 Nilai z statistic untuk skewness dapat dihitung dengan rumus : Zskewness = Skewness
√
Zkurtosis = Kurtosis
√
Dimana N adalah jumlah sampel, jika nilai Z hitung > Z tabel, maka distribusi tidak normal.
b. Uji Kolmogorov – Smirnov
Suatu data dikatakan normal apabila nilai Exact Sig. (2-tailed)>
0,05 dan apabila nilai Exact Sig. (2-tailed) < 0,05 maka data tidak terdistribusi normal.
3.9.2.2 Uji Multikolonieritas
Multikolonieritas adalah situasi adanya korelasi variabel – variabel indenpenden antara yang satu dengan yang lainnya, sehingga variabel – variabel bebas ini tidak orotgonal (Erlina, 2011). Variabel – variabel bebas bersifat ortogonal adalah variabel bebas yang memiliki nilai korelasi di antara sesamanya sama dengan nol. Uji multikolonieritas bertujuan untuk menguji apakah pada model regresi ditemukan adanya korelasi di antara variabel independen, di mana model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen (Ghozali, 2018)
Menurut Ghozali (2018) untuk mendeteksi adanya tidaknya multikolonieritas dalam suatu model regresi dapat dilihat melalui nilai tolerance dan variance inflaction factor (VIF) nya, menggunakan dasar seperti berikut ini :
a. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
50 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.
c. Multikolonieritas juga dapat dilihat dari nilai tolerance dan variance inflation factor.
- Apabila nilai tolerance ≤ 0,10 dan nilai VIF ≥ 10, maka akan terjadi masalah multikolonieritas yang berarti model regresi tersebut tidak baik.
- Jika nilai tolerance ≥ 0,10 dan nilai VIF ≤ 10 maka model regresi tersebut baik dan tidak terjadi multikolonieritas.
3.9.2.3 Uji Heteroskedastisitas
Menurut Erlina (2011), tujuan uji heteroskedasitas dilakukan adalah untuk melihat apakah dalam model regresi terjadi ketidaksamaan varibel dari residual satu pengamatan ke pengamatan lain. Jika terjadi varian dari residual satu pengamatan ke pengamatan lain maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi heterokedastisitas. Menurut Ghozali (2018), Heteroskedastisitas dapat dideteksi dengan cara sebagai berikut :
a. 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) yang telah di-studentized.coba liat lagi penulisannya, benar atau tidak Dasar analisis :
- Jika ada pola tertentu, seperti titik – titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas)
- Jika tidak ada pola yang jelas, serta titik – titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
b. Uji Glejser, yaitu keputusan dapat diambil jika variabel independen mempunyai nilai signifikan yang secara statistik
51 mempengaruhi variabel terikat (sig > 0,05), maka tidak terdapat gejala heteroskedasitas (Ghozali, 2016).
3.9.2.4 Uji Autokorelasi
Menurut Erlina (2011) , autokorelasi adalah “gejala dimana error term pada suatu periode secara sistematik tergantung pada error term pada periode – periode lain”. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain, sehingga residual atau kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Model regresi linear berganda terbebas dari autokolerasi dapat diuji dengan dengan menggunakan Durbin Watson (Ghozali, 2018).
Hipotesis yang akan diuji sebagai berikut : H0 : Tidak ada autokorelasi (r = 0) HA : Ada korelasi (r ≠ 0)
Keputusan ada atau tidaknya autokolerasi dalam suatu penelitian adalah sebagai berikut :
Tabel 3.4
Keputusan Ada Tidaknya Autokorelasi
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl Tidak ada autokorelasi positif No decision dl ≤ d ≤ du Tidak ada autokorelasi negatif Tolak 4 - dl < d < 4 Tidak ada autokorelasi negatif No decision 4 – du ≤ d ≤ 4 – dl Tidak ada autokorelasi, positif
atau negatif
Tidak ditolak du ≤ d ≤ 4 – du Sumber : Ghozali (2018)
52 dimana :
d = Durbin Watson
dL = Batas Bawah Durbin Watson dU = Batas Atas Durbin Watson
Menurut Santoso (2012), keputusan ada tidaknya korelasi dapat dilihat dari ketentuan berikut :
1. Angka DW di bawah -2 terdapat autokorelasi positif
2. Angka DW di antara -2 sampai +2 tidak terdapat autokorelasi 3. Angka DW di atas +2 terdapat autokorelasi negatif