PMA PMDN Gambar 2.1
3.5 Metode Analisis
3.5.2 Uji Penyimpangan Asumsi Klasik
Sebelum melakukan pengujian regresi, terlebih dahulu dilakukan pengujian asmsi klasik. Ghozali (2005) manyatakan bahwa analisis regresi linier berganda perlu menghindari penyimpangan asumsi klasik supaya tidak timbul masalah dalam penggunaan analisis tersebut. Agar dalam analisis regresi diperoleh model – model regresi yang bisa dipertanggungjawabkan, maka digunakan asumsi-asumsi sebagai berikut:
a. Terdapat hubungan linier antara variabel independen dengan variabel dependen.
b. Besarnya varians error atau faktor pengganggu bernilai konstan untuk seluruh nilai variabel bebas (homoscedasticity).
c. Independensi dari error (non autocorrelation).
d. Normalitas dari distribusi error multikolinier yang sangat rendah.
3.5.2.1 Uji Normalitas Data
Uji normalitas data bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal (Ghozali, 2005). Uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau
asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk sejumlah sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik atau uji statistik (Ghozali, 2005).
Apabila menggunakan grafik, normalitas umumnya dideteksi dengan melihat tabel histogram.Namun demikian, dengan hanya melihat tabel histogram bisa menyesatkan khususnya untuk jumlah sampel yang kecil.Model regresi yang baik memiliki distribusi data yang normal atau mendekati normal.Pembuktian apakah suatu data memiliki distribusi normal dapat dilihat pada bentuk distribusi datanya pada histogram maupun normal probability plot yang membandingkan distribusi kumulatif dari data normal. Dasar pengambilan dengan menggunakan normal probability plot adalah sebagai berikut (Ghozali, 2005):
a. Jika data menyebar diatas garis diagonal dan mengikuti arah garis diagonal atau grafik histogramnya menunjukan pola distribusi normal, maka regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal atau grafik histogramnya tidak menunjukan distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati–hati secara
visual terlihat normal, padahal secara statistik bisa sebaliknya. Oleh sebab itu dianjurkan disamping melakukan pengujian dengan grafik, dilengkapi dengan uji statistik.Uji statistik yang dapat digunakan untuk menguji normalitas residual
adalah uju statistik non-parametik Kolmogorov Smirnov (K-S). Pedoman yang digunakan dalam pengambilan keputusan adalah sebagai berikut:
a) Jika nilai signifikansi atau nilai probabilitas > 0,05 ; maka H0 diterima atau data berdistribusi normal.
b) Jika nilai signifikansi atau nilai probabilitas < 0,05 ; maka H0 ditolak atau data tidak berdistribusi normal.
3.5.2.2 Uji Multikolinearitas
Uji Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling berkorelasi, maka variabel–variabel ini tidak ortogonal (variabel ortogonal adalah variabel independen yang nilai korelasi antar sesame variabel independen sama dengan nol).
Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model regresi, dapat dilihat dari nilai tolerance dan lawannya. VIF (Variance Inflaction Factor) di dalam model regresi adalah sebagai berikut:
a. Nilai R2 yag dihasilkan oleh suatu estimasi model regresi empiris 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 multikolinearitas.
Multikolinearitas dapat disebabkan karena adanya efek kombinasi dua atau lebih variabel independen.
c. Multikolinearitas dapat juga dilihat dari (1) nilai toleransi dan (2) variance inflaction factor (VIF). Kedua ukuran ini menunjukan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Dalam pengertian sederhana setiap variabel independen menjadi dependen (terikat) dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan VIF yang tinggi (karena VIF = 1/tolerance). Nilai cut off yang umum dipakai untuk menunjukan adanya multikolinearitas adalah nilai tolerance , 0,10 atau sama dengan nilai VIF >10. Setiap peneliti harus menentukan tingkat kolinearitas yang masih dapat ditolerir. Misalnya nilai tolerance = 0,10 sama dengan tingkat kolinearitas 0,95. Walaupun multikolinearitas dapat dideteksi dengan nilai tolerance dan vif, tetapi kita masih tidak mengetahui variabel-variabel independen mana sajakah yang paling berkorelasi.
d. Ukuran ini menunjukan setiap variabel independenmanakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi. Nilai cut off yang umum dipakai untuk menunjukan
adanya multikolinearitas adalah nilai tolerance ≤ 0,10 atau sama dengan nilai VIF ≥ 10 (Ghozali, 2005).
3.5.2.3 Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah ada korelasi antara kesalahan pengganggu pada periode t dengan 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 pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang individu/kelompok yang sama pada periode berikutnya. Model regresi yang baik adalah yang bebas dari autokorelasi.
Cara yang digunakan untuk mendeteksi ada atau tidaknya autokorelasi adalah dengan uji Durbin Watson (DW).Uji ini dihitung berdasarkan jumlah selisih kuadrat nilai–nilai tafsiran faktor-faktor gangguan yang berurutan. Pengambilan keputusan ada tidaknya autokorelasi menurut Ghozali (2005) adalah: a. Nilai DW terletak diantara batas atau upper bond (du) dan (4-du), maka
koefisien autokorelasi sama dengan nol, berarti ada autokorelasi positif. b. Bila nilai DW lebih rendah daripada batas bawah atau lower bound (dl),
maka koefisien autokorelasi lebih besar dari nol berarti ada autokorelasi positif.
c. Bila nilai DW lebih rendah daripada batas bawah atau lower bound (dI), maka koefisien autokorelasi lebih kecil dari nol berarti ada autokorelasi negatif.
d. Bila nilai DW terletak antara batas atas (du) dan batas bawah (dI) atau DW terletak antara (4-du) dan (4-dI), maka hasilnya tidak dapat disimpulkan.
Hipotesis nol Keputusan Jika
Tidak ada autokorelasi positif
Tidak ada autokorelasi positif
Tidak ada autokorelasi negatif
Tidak ada autokorelasi negatif
Tidak ada autokorelasi, positif maupun negative Tolak No decision Tolak No decision Tidak ditolak 0 < d < dI dI ≤ d ≤ du 4 – dI < d < 4 4 –du ≤ d ≤ 4 – dI du < d < 4 - du 3.5.2.4 Uji Heteroskedastisitas
Menurut Ghozali (2005), uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dan residual satu pengamatan ke pengamatan lainnya. Jika variance dari residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homokedastisitas dan jika berbeda heteroskedastisitas. Cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu:
1. Melihat grafik scatterplot antara ilai 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 distudentized. Pengujian scatterplot yang tidak terjadi heteroskedastisitas harus memenuhi syarat sebagai berikut:
a) Jika ada pola tertentu, seperti titik-titik yang ada memebentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas. 2. Selain melakukan pengamatan pada Grafik Plot, uji
heteroskedastisitas bisa dilakukan dengan uji Glejser test. Glejser
mengusulkan untuk meregres nilai absolute residual terhadap variabel independen, dengan persamaan regresi: