BAB 4 ANALISIS DATA DAN PEMBAHASAN
4.3. Hasil Analisa Data
4.3.1. Analisis Regresi Linier Berganda
4.3.1.3. Uji Parsial / Uji Statistik t
Uji t digunakan untuk mengetahui pengaruh masing-masing variabel bebas yang digunakan terhadap variabel terikat yaitu nilai kontrak. Hasil uji t dapat dilihat sebagai berikut:
perpustakaan.uns.ac.id digilib.uns.ac.id Tabel 4.7. Uji t Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 1083982.178 149991111.07 0.007 0.994 x1 3266252.603 281885.03 0.607 11.587 0.000 x2 825258.351 119997.30 0.308 6.877 0.000 x3 421638.823 148770.99 0.127 2.834 0.008 x4 43401.346 211512.11 0.011 0.205 0.839 x5 1301076.748 531823.17 0.117 2.446 0.020 a. Dependent Variable: y Sumber: output SPSS 17
Dari hasil uji t pada tabel 4.7 dapat dilihat bahwa secara parsial variabel bebas yang berpengaruh terhadap variabel terikat hanya ada tiga variabel dari lima variabel bebas yaitu luas kios, luas loos dan luas selasar. Hal ini berarti variabel bebas terdapat pengaruh terhadap variabel terikat secara parsial tidak sepenuhnya dapat diterima. Untuk lebih jelasnya pengaruh variabel bebas terhadap variabel terikat dapat dilihat sebagai berikut:
A. Variabel luas kios memiliki signifikansi 0 (P < 0.05).
Dalam hal ini berarti variabel luas kios pasar berpengaruh secara signifikan terhadap nilai kontrak.
B. Variabel luas loos memiliki signifikansi 0 (P < 0.05).
Nilai signifikansi tersebut berarti variabel luas loos pasar berpengaruh secara signifikan terhadap nilai kontrak.
C. Variabel luas selasar memiliki signifikansi 0.008 (P < 0.05).
Dalam hal ini berarti luas selasar di dalam pembangunan pasar berpengaruh secara signifikan terhadap nilai kontrak.
D. Variabel luas parkir memiliki signifikansi 0.839 (P > 0.05).
Untuk hal ini berarti luas parkir tidak berpengaruh secara signifikan terhadap besarnya nilai kontrak.
perpustakaan.uns.ac.id digilib.uns.ac.id
E. Variabel luas bangunan pelengkap 0.020 (P < 0.05).
Nilai signifikansi dalam bangunan pelengkap yang terdiri dari toilet, kantor, tangga, saluran drainase dan lain-lain, berarti luas bangunan pelengkap tersebut berpengaruh secara signifikan terhadap besarnya nilai kontrak.
4.3.2. Uji klasikal regresi linier
Secara teoritis analisis data yang digunakan dalam penelitian ini akan menghasilkan nilai parameter model pendugaan yang sahih bila telah memenuhi nilai asumsi klasik regresi normalitas, heteroskedastisitas, autokorelasi, multikolinearitas. Untuk lebih jelasnya dapat dikemukakan sebagai berikut:
A. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Pengujian normalitas dilakukan dengan menggunakan analilis grafik dan analisis statistik. Untuk lebih jelasnya uji normalitas sebagai berikut:
1) Analisis grafik
Salah satu cara termudah untuk melihat normalitas residual adalah dengan uji normal P-P plot yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Distribusi normal akan membentuk satu garis diagonal. Jika distribusi data residual normal, maka garis yang menggaambarkan data sesungguhnya akan mengikuti garis diagonalnya. Setalah dilakukan pengolahan dengan menggunakan bantuan program SPSS 17, maka diperoleh hasil seperti tampak pada gambar 4.7 berikut:
perpustakaan.uns.ac.id digilib.uns.ac.id
Gambar 4.7. Grafik Uji Normalitas P-P plot Sumber: Output SPSS 17
Karena letak titik-tik tidak jauh dari garis diagonal maka disimpulkan bahwa nilai residual sudah terdistribusikan normal.
2) Analisis statistik
Pengujian analisis statistic dilakukan dengan menggunakan uji One Sample Kolmogorov-Smirnov Test pada unstandarized residual. Dengan uji ini diketahui apakah data ang diamati sesuai dengan distribusi tertentu. Kriteria yang digunakan dengan membandingkan nilai sign 2 tailed, apabila nilai sign 2 tailed > 0,05 maka data terdistribusi normal. Setelah dilakukan pengolahan dengan menggunaka bantuan program SPSS 17, maka diperoleh hasil seperti tampak pada tabel 4.8 berikut:
perpustakaan.uns.ac.id digilib.uns.ac.id Tabel 4.8. One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 38
Normal Parametersa,,b Mean 0.00000013
Std. Deviation 658148940.34
Most Extreme Differences Absolute 0.212
Positive 0.212
Negative -0.121
Kolmogorov-Smirnov Z 1.309
Asymp. Sig. (2-tailed) 0.065
a. Test distribution is Normal. b. Calculated from data. Sumber: Output SPSS 17
Sesuai dengan hasil rangkuman yang merupakan hasil dari pengujian normalitas dengan SPSS 17 di atas maka diketahui bahwa nilai residual sudah terdistribusi normal. Hal ini dapat dilihat pada uji Kolmogrov-Smirnov yang menunjukkan signifikansi 0.065 > 0,05.
B. Uji Heteroskedastisitas
Dalam penelitian ini menggunakan cara analisis grafik plot antara nilai prediksi variabel dependen yaitu ZPRED dengan residualnya SRESID. Deteksi 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 distudentized. Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas. Namun jika tidak ada pola yang jelas serta titik menyebar di atas dan di bawah angka 0 pada sumbu y, maka tidak terjadi heteroskedastisitas. Hasil uji heteroskedastisitas dengan analisis grafik adalah sebagai berikut:
perpustakaan.uns.ac.id digilib.uns.ac.id
Gambar 4.8. Uji Heteroskedastisitas Sumber: Output SPSS 17
Berdasarkan gambar diatas terlihat titik-titik menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu y. hal ini dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model regresi, sehingga model regresi layak dipakaiuntuk menganalisis variabel dependen berdasarkan variabel independen.
C. Uji autokorelasi
Pengujian autokorelasi dilakukan dengan menggunakan uji statistik non-parametik run test. Run test sebagai bagian dari statistik non-non-parametik dapat digunakan utuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah random atau sistematis, agar bebas dari auto korelasimaka residual harus terjadi secara random. Nilai dari asymp. sig (2-tailed) > 0.05 agar tidak terjadi autokorelasi. Hasil pengujian run test adalah sebagai berikut:
perpustakaan.uns.ac.id digilib.uns.ac.id
Runs Test
Unstandardized
Residual
Test Valuea -1202460.07
Cases < Test Value 19
Cases >= Test Value 19
Total Cases 38
Number of Runs 20
Z 0.00
Asymp. Sig. (2-tailed) 1.000
a. Median
Sumber: Output SPSS 17
Dari rangkuman hasil run test diatas dapat dilihat bahwa nilai asymp. sig. (2-tailed) sebesar 1 > 0.05, berarti tidak terjadi autokorelasi dalam model regresi tersebut
D. Uji multikolinearitas
Uji multikolinearitas dimaksudkan untuk menguji apakah model regresi babas multikolinearitas atau tidak. Suatu variabel menunjukkan gejala multikolinearitas bisa dilihat dari nilai VIF (Variance Inflaction Factor) yang tinggi pada variabel-variabel independen suatu model regresi. Nilai VIF yang lebih besar dari 10 menunjukkan adanya gejala multikolinearitas dalam model regresi. Hasil pengujian VIF adalah sebagai berikut:
Tabel 4.10. Uji Multikolinearitas Coefficientsa Model Collinearity Statistics Tolerance VIF 1 x1 0.364 2.751 x2 0.496 2.016 x3 0.493 2.027 x4 0.364 2.747 x5 0.433 2.307 a. Dependent Variable: y Sumber: Output SPSS 17
perpustakaan.uns.ac.id digilib.uns.ac.id
Berdasarkan tabel tersebut dapat dilihat bahwa kedelapan variabel independen, memiliki nilai VIF lebih kecil dari 10 demikian juga nilai tolerance tidak ada yang kurang dari 0,1. Sehingga dapat disimpulkan model regresi tersebut tidak terdapat multikolinearitas.