METODE PENELITIAN
F. Variabel Dan Defenisi Operasional
1) Uji Maximum Likelihood (ML)
Fungsi likelihood didefinisikan sebagai fungsi densitas peluang bersama dari n variabel acak X1, …..,Xn yang dipandang sebagai fungsi . Jika X1, ….,Xn sampel acak dengan fungsi densitas
peluang f ( x; ), maka fungsi likelihood dapat L ( ) didefinisi sebagai:
L ( ) = f ( X1, )… f ( Xn, )
Untuk mengilustrasikan metode maximum likelihood, kita mengasumsikan bahwa populasi tersebut memilki suatu fungsi kepadatan yang mengandung suatu parameter populasi, misalnya yang harus ditentukan dengan menggunakan suatu statistik tertentu. Kemudian fungsi kepadatan dapat dilambangkan sebagai f ( x; ).
Dengan menasumsikan terdapat n pengamatan yang independen x1, …, xn. Fungsi likelihood untuk pengamatan-pengamatan ini adalah:
L ( ) = f ( X1, ) . f ( X2, ) . … fR ( Xn, )
Estimator maximum likelihood dapat diperoleh dengan menentukan turunan dari L terhadap θ dan menyatakannya sama
dengan nol atau dapat ditulis sebagai
( ) = 0.
Dalam hal iniakan lebih mudah untuk terlebih dahulu menghitung logaritma dan kemudian menentukan turunnya:
( )= 0. a) Untuk Pengurangan Variabel
Selain dengan menggunakan uji f dan uji t, deteksi adanya masalah variabel yang tidak penting di dalam model bias dilakukan dengan uji Likelihood Ratio (LR), karena kita tidak membuat batasan didalam persamaan, uji statika LR dapat dihitung dengan menggunakan formula sebagai berikut:
LR = 2 (ULLF – RLLF ) Dimana:
ULLF = Unrestricted Log Likelihood Function RLLF = Restricted Log Likelihood Function
Uji LR ini mengikuti distribusi Chi Square ( X2 ) dengan
Jika nilai hitung statistik X2 lebih besar dari nilai kritisnya, maka kita menolak hipotesis nol. Berati kita menolak menghilangkan salah satu variabel dalam model. Sebaliknya, jika nilai hitung statistik X2 lebih kecil dari nilai kritisnya, maka berati kita menerima hipotesis nol yang berati penghilangan salah satu variabel dibenarkan.
b) Untuk Penambahan Variabel
Uji LR selain bisa digunakan untuk uji penghilangan variabel yang tidak penting, juga bisa digunakan untuk penambahan variabel yang relevan didalam sebuah modela regresi. Uji statika LR dihitung dengan menggunakan formula sebagai berikut:
LR = 2 ( ULLF – RLLF ) Dimana:
ULLF = Unrestricted Log Likelihood Function RLLF = Restricted Log Likelihood Function
Uji LR ini mengikuti distribusi Chi Square (X2) dengan degree of freedom (df) sebesar variabel yang ditambahkan dalam model. Jika nilai hitung statistik X2 lebih besar dari nilai kritisnya, maka signifikan. Berati kita menerima memasukkan salah satu variabel lainnya di dalam model. Sebaliknya, jika bila nilai hitung statistik X2 lebih kecil dari nilai kritisnya, maka tidak signifikan
yang berati kita tidak memerlukan penambahan variabel didalam model.
2). Uji Ramsey
Uji ini dikembangkan oleh Ramsey pada tahun 1969. Berkaitan dengan masalah spesifikasi kesalahan, Ramsey menyarankan suatu uji yang disebut dengan general test of spesification error/RESET. Untuk menerapkan uji ini kita harus membuat suatu asumsi atau keyakinan bahwa fungsi yang benar adalah fungsi linier
Yt = β0 + β1X1t + β2X2t +β3X3 + ut ………….(1)
Untuk menerapkan uji RESET ada beberapa langkah yang harus ditempuh yaitu:
1. Lakukan regresi dengan menggunakan persamaan (1) diatas untuk mendapatkan nilai fitted dari variabel tak bebas (FYt)
2. Lakukan regresi dengan memasukkan nilai fitted Yt, Fyt sebagai variabel tambahan variabel bebas dengan model persamaan regresinya sebagai berikut :
Yt = β0 + β1X1t + β2X2t + β3Fyt2 + ut ….. (2) Dimana FYRt adalah nilai fitted dari Yt
3. Dapatkan nilai R2 dari persamaan (2) yang selanjutnya diberi nama dengan R2new dan dapatkan nilai R2 dari persamaan (1) yang
selanjutnya diberi nama R
tersebut ditemukan kemudian hitunglah nilai F rumus berikut
Dimana:
m = jumlah variabel bebas n = jumlah data/observasi
k = banyaknya parameter dalam persamaan baru 4. Dari hasil perhitungan nilai F
(3) diatas kemudian bandingkan nilai F dengan pedoman bila nilai F
(Ho) yang menyatakan bahwa spesifikasi model digunakan dalam bentuk fungsi linier adalah benar ditolak dan sebaliknya, bila nilai Fhitung < nilai F
spesifikasi model digunakan tidak dapat ditolak
selanjutnya diberi nama R2old. Setelah nilai R2 kedua persamaan tersebut ditemukan kemudian hitunglah nilai Fhitung atau F
rumus berikut:
……..(3) Dimana:
= jumlah variabel bebas yang baru masuk = jumlah data/observasi
= banyaknya parameter dalam persamaan baru
Dari hasil perhitungan nilai Fhitung dengan menggunakan persamaan ) diatas kemudian bandingkan nilai Fhitung dengan nilai F dengan pedoman bila nilai Fhitung > nilai Ftabel, maka hipotesis nol (Ho) yang menyatakan bahwa spesifikasi model digunakan dalam bentuk fungsi linier adalah benar ditolak dan sebaliknya, bila nilai < nilai Ftabel maka hipoptesis Ho yang menyatakan bahwa spesifikasi model digunakan dalam bentuk fungsi linier adalah benar tidak dapat ditolak.
kedua persamaan atau Ftes dengan
dengan menggunakan persamaan dengan nilai Ftabel , maka hipotesis nol (Ho) yang menyatakan bahwa spesifikasi model digunakan dalam bentuk fungsi linier adalah benar ditolak dan sebaliknya, bila nilai maka hipoptesis Ho yang menyatakan bahwa dalam bentuk fungsi linier adalah benar
b. Uji Asumsi Klasik 1). Uji Prasyarat analisis
a. Uji Normalitas
Pengujian normalitas digunakan untuk mengetahui apakah sebaran data yang dianalisis terdistribusi secara normal atau tidak. Uji normalitas sebaran data digunakan metode Jarque-Bera dengan formulanya sebagai berikut:
JB = = n s2 6 +(K 3)2 24 Dimana : S = Skewness K = Kurtosis
k =Jumlah koefisien estimasi yang digunakan untuk menghasilkan data
N = Jumlah Sampel (Widardjono 2013:105)
Kriterianya nilai probality yang kecil dari α = 0,05, tolak (H0) distribusi normal, terima H1, terdistribusi tidak normal. Atau X2 tabel, tolak H0, distribusi normal, terima H1 distribusi tidak normal. b. Uji Multikolinearitas
Menurut Ghozali (2011: 105) uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Uji multikolonearitas digunakan
untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak adanya multikolinearitas.
Dalam penelitian ini menggunakan Auxiliary Regression di mana mendeteksi multikol dengan meregresikan setiap variabel independen dengan sisa variabel independen lainya
Fi= R
2 x1 x2 x3- − 2 1 − x1 x2 x3- /( − ) Keputusan ada tidaknya multikol adalah:
Jika Fhitung > Ftabel maka model mengandung gejala multikol Jika Fhitung < Ftabel maka tidak model mengandung gejala multikol
(Widardjono 2013: 107)
Uji multikolonearitas dengan melihat nilai VIF (Varian
Inflation Factor) pada model regresi dengan menggunakan bantuan
program SPSS versi 16.0 dan kriteria pengujian sebagai berikut: Jika VIF > 10, maka terdapat masalah multikolonearitas Jika VIF < 10, maka tidak terdapat masalah multikolonearitas. c. Uji Autokorelasi
Menurut Ghozali (2011: 110) uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier korelasi 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 obserasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan penganggu) tidak bebas dari satu observasi ke observasi lainnya.
Dalam penelitian ini untuk mendeteksi ada atau tidaknya autokorelasi dengan menggunakan uji B- GTest. Dengan formulanya sebagai berikut:
µt = pt µt-1 + pt µt -2 + …..+ pp µt-p + et……….(Suliyanto, 2011: 133) Jika nilai X2 hitung > X2 tabel menunjukkan adanya masalah autokorelasi. Sebaliknya, jika X2 hitung ≤ X2 tabel menunjukkan tidak terjadi masalah autokorelasi.
Tabel 12: Penentuan Kategori Autokorelasi
No Dw Kesimpulan
1 <dL Ada otokorelasi (+) 2 dL s.d dU Tanpa kesimpulan 3 dU s.d 4-dU Tidak ada otokorelasi 4 4-dU s.d 4-dL Tanpa kesimpulan 5 >4 dL Ada otokorelasi (-)
d. Uji Heteroskeda stisitas
Heteroskedastisitas berarti ada varian variabel pada model regresi yang tidak sama (konstan). Sebaliknya jika ada varian variabel pada model regresi memiliki nilai yang sama (konstan) maka disebut dengan homoskedastisitas. Yang diharapkan pada model regresi adalah yang homoskedastisitas (Suliyanto, 2011: 95)
Uji heteroskedastisitas dengan bantuan SPSS menggunakan metode uji White dilakukan dengan meregresikan semua variabel bebas,variabel kuadrat dan perkalian (interaksi) terhadap nilai residual kuadratnya. Jika nilai X2 hitung > dari X2 tabel dengan df= α, jumlah variabel bebas, maka dalam model terdapat masalah heteroskedastisitas. Oleh karena itu persamaan yang digunakan untuk uji White adalah sebagai berikut:
Ui2 = α β1X1+ β2X2+ β3X3+ui
Keterangan ui = nilai residual mutlak Xi = Variabel bebas c. Analisis Regresi Berganda
Analisis regresi berganda adalah persamaan dengan kemungkinan yang mendekati kenyataan dari variabel yang ada untuk mengukur pengaruh antara variabel bebas dengan variabel terikat,dengan menggunakan SPSS dengan persamaan sebagai berikut:
Y = a + b1X1+ b2X2 +b3X3e………..Arikunto (2006: 270) Keterangan : Y = kinerja karyawan
X1 = Kedisiplinan X2 = Kepuasan Kerja
X3 = Budaya Organisasi
b2 = koefisien regresi variabel Kepuasan kerja b3 = koefisien regresi variabel Budaya Oganisasi
e = faktor-faktor lain yang tidak diteliti a = konstanta
d. Koefisien Determinasi ( )
Koefisien determinasi digunakan untuk melihat berapa besar pengaruh proporsi variasi perubahan variabel independen (variabel bebas) secara keseluruhan terhadap variabel dependen (variabel terikat) (Ghozali, 2011: 97).
R2 = ESS TSS Dimana :
ESS = Explaned Sum Square (Jumlah kuadrat yang dijelaskan) TSS = Total Sum Square (Jumlah total kuadrat)
I. Pengujian Hipotesis 1. Uji t-Statistik
Menurut Ghozali (2011:98) uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel terikat, atau seberapa jauh variabel independent secara individual mempengaruhi variabel dependent.
Ghozali (2011:98) uji statistik t digunakan untuk mengetahui pengaruh variabel bebas secara parsial terhadap variabel terikat dengan menggunakan taraf signifikan α 0,05 dengan kriteria pengujian sebagai berikut :
a. Jika signifikan < α akibatnya Ho ditolak Ha diterima. b. Jika signifikan ≥ α akibatnya Ho diterima dan Ha ditolak.