HASIL PENELITIAN DAN PEMBAHASAN
LOGAM DAN
4.2.4 Uji Asumsi Klasik
4.2.4.1 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk menguji apakah model regresi ditemukan adanya korelasi diantara variabel independen. Data yang baik adalah yang non multikolinearitas artinya tidak ada korelasi antar variabel independen.Menurut Ade Fatma Lubis (2007:32) ketentuan untuk mendeteksi ada tidaknya multikolinearitas adalah sebagai berikut :
c. Jika nilai Variance Inflation Factor (VIF) tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0.1, maka model dapat dikatakan terbebas dari multikolinearitas. VIF = 1/ Tolerance.
d. Jika nilai koefisien korelasi antar masing-masing variabel independen kurang dari 0.70, maka model dapat dinyatakan bebas dari asumsi klasik multikolinearitas. Jika lebih dari 0.7 maka diasumsikan terjadi korelasi yang sangat kuat antar variabel independen sehingga terjadi multikolinearitas.
Ghozali (2005:91-92) menambahkan multikolinearitas pada model regresi juga dapat dideteksi bila nilai atau koefisien determinasi yang mengukur
seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen, sangat tinggi, tetapi secara individual variabel-variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen. Nilai adalah antara nol dan satu. Nilai yang kecil berarti kemampuan variabel- variabel independen dalam menjelaskan variasi variabel dependen sangat terbatas.
Berikut ini adalah hasil uji multikolinearitas pada penelitian ini dibantu dengan program SPSS: Tabel 4.2.4.1 Uji Multikolinearitas Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.055 .147 -.371 .711
LNITO -.181 .088 -.179 -2.049 .042 .768 1.302
LNFATO .258 .048 .469 5.367 .000 .768 1.302
a. Dependent Variable: LNQR
Sumber: diolah peneliti menggunakan SPSS
Dari tabel 4.2.4.1 tersebut dapat dilihat bahwa nilai tolerance setiap variabel 0,768 > 0,1 dan nilai VIF adalah 1,302 < 10 artinya non- multikolinearitas atau tidak terdapat korelasi antar variabel independen, sehingga data tersebut lulus uji multikolinearitas.
Bila dilihat dari koefisien determinasi maka akan diperoleh hasil sebagai berikut:
Tabel 4.2.4.1 Koefisien Determinasi Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .414a .171 .160 .76144
a. Predictors: (Constant), LNFATO, LNITO Sumber : diolah peneliti menggunakan SPSS
Berdasarkan hasil koefisien determinasi ( ) dapat disimpulkan bahwa memiliki nilai 0,171, artinya variabel independen memiliki kemampuan untuk menjelaskan variasi variabel dependen.
4.2.4.2 Uji Heterokedastisitas
Uji heterokedastisitas yaitu untuk melihat apakah dalam model regresi terjadi ketidaksamaan variabel dari residual satu pengamatan ke pengamatan yang lain. Menurut Ghozali (2005:105) :
Model regresi yang baik adalah Homokedastisitas, artinya variance dari residual satu pengamatan ke pengamatan lain tetap. Untuk mendeteksi ada atau tidaknya heterokedastisitas yaitu dengan melihat grafik plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan residualnya SRESID. Deteksi ada tidaknya heterokedastisitas dapat dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y dalah Y yang telah diprediksi, dan sumbu X adalah residual (Y prediksi-Y sesungguhnya yang telah di-studentized. Cara melihat grafik scatterplot tersebut dipaparkan Ade Fatma Lubis, (2007:34) sebagai berikut:
e. Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. f. Titik-titik data tidak mengumpul hanya di atas atau di bawah saja.
g. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
Hasil uji heterokedastisitas dapat dilihat pada gambar berikut ini:
Gambar 4.2.4.2
Scatterplot Uji Heterokedastisitas Sumber: diolah peneliti menggunakan SPSS
Berdasarkan scatterplot yang tampak pada gambar 4.2.4.2 dapat disimpulkan tidak terjadi heterokedastisitas (homokedastisitas) artinya pada model regresi tidak terjadi ketidaksamaam variance dari residual satu pengamatan ke pengamatan lain. Hal ini dapat dilihat pada gambar tersebut, data terlihat menyebar di atas, di bawah dan di sekitar angka 0.
4.2.4.3 Uji Autokorelasi
Uji autokorelasi dilakukan untuk melihat apakah dalam suatu model regresi linear ada korelasi antar kesalahan penganggu pada periode t dengan kesalahan pada periode t-1. Menurut Ade Fatma Lubis (2007:33) “ cara menguji autokorelasi adalah dengan melihat model regresi linier berganda terbebas dari autokorelasi apabila nilai Durbin Watson berada di bawah angka 2”. Menurut Ghozali (2005:95-96) : “Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Uji Durbin-Watson (DW test) dilakukan setelah terlebih dahulu membuat hipotesis yang akan diuji. Hipotesis tersebut adalah :
Ho : tidak ada autokorelasi (r = 0) Ha : ada autokorelasi (r ≠ 0)
Pengambilan keputusan ada tidaknya autokorelasi:
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada korelasi negatif Tidak ada korelasi negatif
Tidak ada autokorelasi, Positif atau negatif Tolak No decision Tolak No decision Tidak ditolak 0 < d < dl dl ≤ d ≤ du 4 - dl < d < 4 4 - du ≤ d ≤ 4 - dl du < d < 4 - du
Tabel 4.2.4.3 Uji autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .414a .171 .160 .76144 1.888
a. Predictors: (Constant), LNFATO, LNITO b. Dependent Variable: LNQR
Sumber: diolah peneliti menggunakan SPSS
Nilai DW pada penelitian ini adalah 1,888, nilai ini akan dibandingkan dengan nilai tabel dengan menggunakan nilai signifikansi 5% jumlah sampel 144 dan jumlah variabel independen 2 (k = 2), dari tabel Durbin Watson diperoleh nilai sebesar dL = 1,706 dan dU = 1,760.
du < d < 4 - du
1,760 < 1,888 < 4 – 1,760 1,760 < 1,888 < 2,24
Maka keputusan yang diambil adalah Ho tidak dapat ditolak yang asrtinyatidak ada autokorelasi .
4.2.4.4 Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah dalam model regresi variabel pengganggu memiliki distribusi normal. Uji normalitas dapat dilakukan dengan analisis grafik dan analisis statistik. Berikut ini adalah hasil analisis grafik dan analisis statistik untuk uji normalitas pada penelitian ini:
Gambar 4.2.4.4
Hasil Uji Normalitas melalui Histogram, P-Plot dan scatter Plot Sumber : diolah peneliti menggunakan SPSS
Berdasarkan gambar 4.2.4.4 dapat disimpulkan sebagai berikut:
a. Grafik histogram memperlihatkan bahwa kurva tidak menceng ke kiri atau ke kanan serta titik puncak berada di angka nol. Hal ini berarti model regresi lolos uji normalitas.
b. Gambar P-Plot juga menunjukkan model regresi lolos uji normalitas, hal ini ditandai dengan titik-titik yang berada mendekati garis linier.
c. Gambar Scatter Plot menunjukkan hasil yang sama dengan dua gambar sebelumnya. Titik-titik pada scatterplot terlihat menyebar di atas, di bawah dan disekitar titik nol, ini berarti model regresi lolos uji normalitas.
Berikut ini adalah hasil uji normalitas dengan menggunakan uji Kolmogorov- Smirnov.
Tabel 4.2.4.4
Hasil uji Kolmogorov Smirnov Sumber : diolah peneliti menggunakan SPSS
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 144
Normal Parametersa Mean .0000000
Std. Deviation .75609854
Most Extreme Differences Absolute .055
Positive .034
Negative -.055
Kolmogorov-Smirnov Z .656
Asymp. Sig. (2-tailed) .783
a. Test distribution is Normal.
Tabel 4.2.4.4 menunjukkan nilai Kolmogorov – Smirnov adalah 0,656 dan signifikan pada 0,783. Hal ini berarti Ho diterima yang berarti data residual terdistribusi normal. Uji statistik ini konsisten dengan uji grafik yang telah dilakukan sebelumnya, maka penelitian ini dinyatakan lolos uji normalitas.