METODE PENELITIAN
3.8. Uji Penyimpangan Asumsi Klasik
Uji penyimpangan asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Dalam suatu model regresi berganda ada beberapa permasalahan yang bisa terjadi secara statistik dapat mengganggu model yang ditentukan, bahkan dapat menyesatkan kesimpulan yang diambil dari persamaan yang dibentuk. Untuk itu perlu dilakukan uji penyimpangan asumsi klasik.
3.8.1. Uji Multikolinearitas
Pada mulanya multikolinearitas ini berarti adanya hubungan linier yang “sempurna” atau pasti, diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Koefisien-koefisien regresi biasanya diinterprestasikan sebagai ukuran perubahan variabel terikat jika salah satu variabel bebasnya naik sebesar satu unit dan seluruh variabel bebas lainnya dianggap tetap. Namun, interprestasi ini menjadi tidak benar apabila terdapat hubungan linier antara variabel bebas.
Menurut Priyatno (2008) Mulitikolinearitas dapat dilihat dengan menggunakan pendekatan L.R. Klein, yaitu sebagai berikut:
Dengan membandingkan nilai koefisien determinasi individual (r2) dengan nilai determinasi secara serentak (R2).
Adapun caranya adalah dengan meregresikan setiap variabel independen dengan variabel independen lainnya. Tujuannya adalah untuk mengetahui nilai koefisien r2 untuk setiap variabel yang diregresikan. Selanjutnya nilai r2 tersebut dibandingkan dengan nilai koefisien determinasi R2. Kemudian hasil pengujiannya dapat diinterprestasikan dengan kriterianya sebagai berikut:
1. Jika r2 > R2, maka terjadi multikolinearitas. 2. Jika r2 < R2, maka tidak terjadi multikolinearitas.
Masalah multikolinearitas tidak selalu buruk jika tujuan untuk melakukan prediksi, karena koefisien determinan yang tinggi merupakan ukuran kebaikan dari prediksi. Oleh sebab itu bila koefisien determinan tinggi & signifikansi koefisien
slope tinggi maka model regresi pada umumnya tidak mengalami masalah multikolinearitas.
3.8.2. Uji Heteroskedastisitas
Salah satu asumsi dari model regresi linier klasik adalah varian dari setiap kesalahan pengganggu 1 untuk variabel-variabel bebas yang diketahui merupakan suatu bilangan konstan dengan symbol 2.
Sarwoko (2005) mengatakan sebuah model dengan varian residual yang bersifat heteroskedastik, memiliki error term berdistribusi normal dengan varian tidak konstan (berubah-ubah) meliputi semua pengamatan. Secara simbolik ditulis sebagai berikut:
E (i2) = 2 i ………...(3.8.1) Di mana i = 1,2,...,n
Sebaliknya, sebuah model dengan varian residul yang bersifat homoskedastik, memiliki error term berdistribusi normal dengan varian konstan (tidak berubah- ubah) meliputi semua pengamatan. Secara simbolik ditulis sebagai:
E (i2) = 2 ………..………….(3.8.2) Perbedaan antara persamaan (38.1) dan (38.2) terletak pada notasi i yang melekat pada 2, yang secara tidak langsung menyatakan bahwa error term yang bersifat heteroskedastisitas berubah seiring perubahan pengamatan ke i. Persamaan 38.2 dikatakan sebagai persamaan yang memenuhi Asumsi klasik. Semua pengamatan terhadap error term dapat dianggap berasal dari distribusi yang sama,
yaitu suatu distribusi yang memiliki rata-rata 0 dan varian 2. Varian 2 tidak berubah untuk pengamatan yang berbeda terhadap error term.
Dalam prakteknya, heteroskedastisitas banyak ditemui pada data cross-section, karena pengamatan dilakukan pada individu yang berbeda pada saat yang sama, akan tetapi bukan berarti heteroskedastisitas tidak mungkin terjadi dalam data time series.
Pada penelitian ini untuk pengujian heteroskedastisitas akan digunakan uji koefisien Spearman’s rho. Menurut Priyatno (2008) uji Spearman’s rho adalah mengorelasikan variabel independen dengan residualnya. Pengujian menggunakan tingkat signifikan 0,05 dengan uji 2 sisi. Jika korelasi antara variabel independen dengan residual memberikan:
1. tingkat sig. > 0,05, maka tidak terjadi heteroskedastisitas. 2. tingkat sig. < 0,05, maka terjadi heteroskedastisitas.
3.8.3. Uji Normalitas
Ghozali (2005) mengatakan bahwa tujuan dari uji normalitas ini ingin mengetahui apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Kalau asumsi ini dilanggar maka uji statistik tidak menjadi valid untuk sampel kecil. Ada dua cara untuk mendeteksi apakah residual berdistribusi normal, yaitu dengan cara:
a. Analisis Grafik:
Pada prinsipnya normalitas dapat dideteksi dengan penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residualnya. Dasar pengambilan keputusan dengan cara:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal menunjukkan pola distribusi normal, maka model regresi memenuhi asumsi normalitas.
2. Jika data menyebar jauh dari diagonal dan/atau tidak mengikuti arah garis diagonal tidak menunjukkan pola distribusi normal, maka model regresi tidak memenuhi asumsi normalitas.
b. Uji Statistik:
Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal, pada hal secara statistik bias sebaliknya. Oleh sebab itu dianjurkan di samping uji grafik dilengkapi dengan uji statistik. Untuk menguji normalitas ini digunakan uji statistik Kolmogorov-Smirnov (K-S). Uji K-S dilakukan dengan membuat hipotesis:
1. Merumuskan hipotesis:
H0 : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal 2. Kriteria pengujian:
Ada beberapa cara yang dapat dilakukan jika data menyebar secara tidak normal atau tidak terpenuhinya uji normalitas tersebut, yaitu:
1. Melakukan transformasi data, misalkan mengubah data menjadi bentuk logaritma (log) atau natural (Ln).
2. Menambah jumlah data.
3. Menghilangkan data yang dianggap sebagai penyebab tidak normalnya data tersebut.
4. Menerima data apa adanya.
3.8.4. Uji Linieritas
Uji linieritas digunakan untuk mengetahui apakah spesifikasi model yang digunakan sudah benar atau tidak. Uji linieritas dipergunakan untuk melihat apakah model yang dibangun mempunyai hubungan linier atau tidak. Uji ini jarang digunakan pada berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah teoretis bahwa hubungan antara variabel bebas dengan variabel terikatnya adalah linier. Hubungan antar variabel yang secara teori bukan merupakan hubungan linier sebenarnya sudah tidak dapat dianalisis dengan regresi linear, misalnya masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji linearitas tidak dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut bersifat linier atau tidak. Uji linieritas digunakan untuk mengkonfirmasikan apakah sifat linier antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi yang ada.
Menurut Priyatno (2008) uji linieritas dapat diketahui dengan program SPSS versi 18.0 dengan melihat dari compare means. Means merupakan alat analisis untuk menggambarkan statistik data untuk menampilkan tabel anova dan menguji linearitas antara variabel dependen dan independen.