BAB IV ANALISIS HASIL PENELITIAN
B. Hasil Analisis Data Penelitian
2. Pengujian Asumsi Klasik
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametrik Kolmogorov-Smirnov (K-S) dengan membuat hipotesis:
H0 : Data residua l berdistribusi normal H1 : Data residual tidak berdistribusi normal
Apabila nilai signifikansinya lebih besar dari 0,05 maka H0 diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H0 ditolak.
Tabel 4.7 Uji Normalitas
One-Sample Kolmogorov-Smirnov
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 39
Normal Parameters(a,b) Mean .0000000
Std. Deviation 200.64153921 Most Extreme
Differences
Absolute .295
Positive .295
Negative -.153
Kolmogorov-Smirnov Z 1.840
Asymp. Sig. (2-tailed) .002
a Test distribution is Normal.
b Calculated from data.
Sumber : Diolah dari SPSS, 2010
Hasil analisis metode One-Sample Kolmogorov-Smirnov, menunjukkan bahwa Nilai Kolmogrov – Smirnov sebesar 1,840 dan tidak signifikan pada 0,02 (karena Asymp. Sig. (2-tailed) 0,016 < dari 0,05). Jadi dapat disimpulkan bahwa residual tidak terdistribusi secara normal atau dengan kata lain variabel residual berdistribusi secara tidak normal.
Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal. Hasil dari uji normalitas dengan grafik histogram, ditunjukkan sebagai berikut:
Regression Standardized Residual
4 3
2 1
0 -1
-2
Frequency
12.5
10.0
7.5
5.0
2.5
0.0
Histogram Dependent Variable: Y Mean =0Std. Dev. =0.96 N =39
Gambar 4.1 Graafik Histogram Sumber : Diolah dari SPSS, 2010
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data tidak mengikuti kurva berbentuk lonceng namun distribusi data menceng (skewness) ke kanan atau bisa disimpulkan bahwa data tersebut tidak normal.
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expected Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Y
Gambar 4.2 Normal Probability Plot Sumber : Diolah dari SPSS, 2010
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot.
Pada grafik normal plot, terlihat titik-titik tidak menyebar disekitar garis diagonal serta penyebarannya menjauhi garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi tidak terdistribusi secara normal.
Semua hasil pengujian melalui analisis grafik dan statistik diatas menunjukkan hasil yang sama yaitu tidak normal, sehingga dilakukan tindakan perbaikan yaitu dengan melakuakan transformasi seluruh variabel penelitian kedalam fungsi Log. Hasil pengujian data ulang menghasilkan:
Tabel 4.8 Uji Normalitas
Setelah Transformasi dengan Log
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 32
Normal Parameters(a,b) Mean .0000000
Std. Deviation 76.21454485 Most Extreme
Differences
Absolute .195
Positive .195
Negative -.194
Kolmogorov-Smirnov Z 1.101
Asymp. Sig. (2-tailed) .177
a Test distribution is Normal.
b Calculated from data.
Sumber : Diolah dari SPSS, 2010
Hasil analisis metode One-Sample Kolmogorov-Smirnov, menunjukkan bahwa Nilai Kolmogrov – Smirov sebesar 1.101 dan tidak signifikan pada 0,05 (karena Asymp. Sig. (2-tailed) 0,177 > dari 0,05). Jadi kita tidak dapat menolak H0 yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain variabel residua l berdistribusi normal.
Untuk lebih mendukung hasil uji diatas, berikut ini turut dilampirkan grafik histogram dan plot setelah data ditransformasi ke bentuk Log. Hasil dari uji normalitas dengan grafik histogram, ditunjukkan sebagai berikut:
Regression Standardized Residual
4 2
0 -2
Frequency
20
15
10
5
0
Histogram Dependent Variable: Y Mean =-3.12E-17 Std. Dev. =0.95 N =32
Gambar 4.3 Grafik Histogram
setelah transformasi dengan Log Sumber : Diolah dari SPSS, 2010
Hasil uji normalitas setelah dilakukan transformasi data di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) kiri maupun menceng kanan atau bisa disimpulkan bahwa data tersebut terdistribusi secara normal.
Gambar 4.4 Normal Probability Plot Setelah transformasi dengan Log
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Expected Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
Normal P-P Plot of Regression Standardized Residual Dependent Variable: Y
Sumber : Diolah dari SPSS, 2010
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot.
Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis diagonal serta penyebarannya agak mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi setelah ditransformasi kedalam bentuk Log juga terdistribusi secara normal.
b. Uji Multikolinearitas
Dalam penelitian ini, untuk mendeteksi ada tidaknya gejala multikolinearitas adalah dengan melihat besaran korelasi antar variabel independen dan besarnya
tingkat kolinearitas yang masih dapat ditolerir, yaitu: Tol > 0,10 dan Variance Inflation Factor (VIF) < 10. Berikut disajikan tabel hasil pengujian:
Tabel 4.9 Uji Multikolinearitas Setelah transformasi dengan Log
Coefficients(a) Model
Unstandardized Coefficients
Standardized
Coefficients T Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 25.234 18.646 1.353 .187
X1 .008 .052 .030 .158 .876 .995 1.005
X2 22.150 31.381 .138 .706 .486 .910 1.099
X3 -.140 .311 -.088 -.451 .655 .912 1.097
a Dependent Variable: Y
Sumber : Diolah dari SPSS, 2010
Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance Log X1 adalah sebesar 0,995 lebih besar dari 0,1 dan VIF-nya 1,005 < 10, tolerance Log X2 adalah sebesar 0,910 > 0,10 dan VIF-nya 1,099 < 10, tolerance Log X3 adalah sebesar 0,912 > 0,10 dan VIF-nya 1,097 < 10. Ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.
c. Uji Heterokedasititas
Dalam penelitian ini, untuk mengetahui apakah dalam penelitian terjadi Heteroskedastisitas, dapat dilihat dengan grafik scatterplot.
Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini:
Regression Standardized Predicted Value
2 1
0 -1
-2
Regression Studentized Residual 4
2
0
-2
Scatterplot Dependent Variable: Y
Gambar 4.5 Grafik Scatterplot Sumber : Diolah dari SPSS, 2010
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak serta tidak membentuk pola tertentu atau tidak teratur, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai untuk memprediksi variabel dependen (Log Y) berdasarkan masukan variabel indevenden, Log_X1, Log_X2, Log_X3.
d. Uji Autokorelasi
Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini : Tabel 4.10
Uji Autokorelasi
Setelah transformasi dengan Log
Model Summary(b)
Model R R Square
Adjusted R Square
Std. Error of
the Estimate Durbin-Watson
1 .146(a) 0.183 -.084 80.19360% 1.906
a Predictors: (Constant), Log_X1, Log_X2, Log_X3 b Dependent Variable: Log_Y
Sumber : Diolah dari SPSS, 2010
Hasil uji yang diperoleh berdasarkan Run Test adalah:
Tabel 4.11 Runs Test
Unstandardize d Residual
Test Value(a) -12.23665
Cases < Test Value 16 Cases >= Test Value 16
Total Cases 32
Number of Runs 20
Z .898
Asymp. Sig. (2-tailed) .369 a Median
Sumber : Diolah dari SPSS, 2010
Hasil output SPSS menunjukkan bahwa Nilai test adalah -12,23665 dengan probabilitas 0,369 tidak signifikan pada 0,05, ini menandakan bahwa residual random atau tidak terjadi autokorelasi antar nilai residual.
3. Model Dan Teknik Analisis Data