Tingkat resiliensi
2. Uji Asumsi
a. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah sebuah model regresi suatu penelitian ditemukan adanya korelasi antar variabel bebas. Menurut Ghozali (2011) pengujian adanya multikolinearitas dilakukan dengan melihat besarnya nilai tolerance value dan besarnya nilai VIF. Berikut adalah pedoman pengambilan keputusan uji multikolinearitas dengan tolerance value dan VIF : - Berdasarkan nilai Tolerance :
1. Jika nilai Tolerance lebih besar dari 0,10 maka tidak terjadi multikolinearitas dalam model regresi.
2. Jika nilai Tolerance lebih kecil dari 0,10 maka terjadi multikolinearitas dalam model regresi.
- Berdasarkan VIF (Variance Inflation Factor)
1. Jika nilai VIF < 10,00 maka tidak terjadi multikolinearitas dalam model regresi.
2. Jika nilai VIF > 10,00 maka terjadi multikolinearitas dalam model regresi.
Hasil uji multikolinearitas dalam penelitian ini sebagai berikut :
Coefficientsa
Model
Unstandardized Coefficients
Standardiz ed Coefficient
s
t Sig.
Collinearity Statistics
B Std. Error Beta Toleran
ce VIF
1 (Constant) 19.804 9.735 2.034 .049
Harga Diri .436 .203 .344 2.146 .039 .762 1.313
Dukungan Sosial
.201 .124 .260 1.620 .114 .762 1.313
a. Dependent Variable: Resiliensi
Berdasarkan hasil tabel output dari spss diatas dapat dilihat bahwa variabel harga diri dan dukungan sosial memiliki nilai tolerance yang lebih besar dari 0,100 dan nilai VIF lebih kecil dari 10,00. Sehingga dapat disimpulkan bahwa dalam uji ini tidak ada gejala atau masalah multikolinearitas.
b. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui data penelitian itu merupakan data yang berdistribusi normal, atau tidak. Dasar pengambilan keputusan dalam uji normalitas K-S sebagai berikut : 1. Jika nilai signifikasi (Sig.) lebih besar dari 0,05 maka data
penelitian berdistribusi normal.
2. Jika nilai signifikasi (Sig.) lebih kecil dari 0,05 maka data penelitian tidak berdistribusi normal.
One-Sample Kolmogorov-Smirnov Test Unstandardiz
ed Residual
N 40
Normal Parametersa,b Mean .0000000 Std.
Deviation 4.48858660 Most Extreme
Differences Absolute .111
Positive .111
Negative -.060
Test Statistic .111
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Berdasarkan hasil tabel output dari spss diatas maka diketahui bahwa nilai signifikasi Asiymp.Sig (2-tailed) sebesar 0,200. Maka sesuai dengan dasar pengambilan keputusan dalam uji normalitas kolmogorov-smirnov diatas, dapat disimpulkan bahwa data berdistribusi normal. Dengan demikian, asumsi atau pernyataan normalitas dalam model regresi sudah terpenuhi.
c. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui terjadinya perbedaan varians dari nilai residual pada suatu periode pengamatan ke periode pengamatan yang lainnya. Model regresi yang baik adalah yang bersifat homoskedastisitas atau tidak terjadi gejala heteroskedastisitas. Metode yang digunakan dalam penelitian ini adalah dengan melihat grafik Scatterplot. Adapun ketentuan untuk pengambilan keputusan dalam Scatterplot sebagai berikut :
1. Titik-titik data penyebar diatas dan dibawah atau di sekitar angka 0.
2. Titik-titik mengumpul hanya di atas atau di bawah saja.
3. Penyebaran titik-titik data tidak boleh membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali.
4. Penyebaran titik-titik data tidak berpola.
Hasil dari uji heteroskedastisitas adalah sebagai berikut :
Berdasarkan ketentuan yang ada diatas, maka dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas.
d. Uji Autokorelasi
Uji autokorelasi bertujuan untuk mengetahui apakah dalam model regresi linear terdapat korelasi antara kesalahan penganggu pada periode t dengan kesalahan penganggu pada periode t-1 (sebelumnya). Untuk melihat ada tidaknya gejala autokorelasi bisa menggunakan uji Run Test. Adapun dasar pengambilan keputusan dalam uji Run Test yaitu :
1. Jika Asymp.Sig (2-tailed) < dari 0,05 maka terdapat gejala autokorelasi.
2. Jika nilai Asymp.Sig (2-tailed) > dari 0,05 maka tidak terdapat gejala autokorelasi.
Hasil uji autokorelasi pada spss adalah sebagai berikut :
Runs Test
Unstandardiz ed Residual
Test Valuea .17495
Cases < Test Value 20 Cases >= Test
Value 20
Total Cases 40
Number of Runs 23
Z .481
Asymp. Sig. (2- tailed)
.631
a. Median
Berdasarkan uji Run Test diatas, nilai Asymp.Sig (2-tailed) adalah 0,631 yang mana lebih besar dari 0,05. Sehingga, dapat disimpulkan bahwa tidak terdapat gejala atau masalah autokorelasi.
Sehingga dari keempat uji asumsi klasik tersebut dipastikan sudah memenuhi syarat untuk lanjut ke analisis regresi linear berganda.
e. Analisis Regresi Linear Berganda
Analisis regresi linear berganda bertujuan untuk mengetahui pengaruh dari dua atau lebih variabel independen/variabel bebas (X) terhadap variabel dependen/variabel terikat (Y). Hasil perhitungan regresi linear berganda dengan program SPSS dalam penelitian ini adalah sebagai berikut :
Coefficientsa
Model
Unstandardized Coefficients
Standardize d Coefficients
t Sig.
Collinearity Statistics B Std. Error Beta
Toleranc
e VIF
1 (Constant) 19.804 9.735 2.034 .049
Harga Diri .436 .203 .344 2.146 .039 .762 1.313
Dukungan Sosial
.201 .124 .260 1.620 .114 .762 1.313
a. Dependent Variable: Resiliensi
Pada tabel “Coefficient” diatas dapat disimpulkan tentang persamaan regresi ganda pada penelitian ini. Adapun rumus persamaan regresi dalam penelitian ini adalah sebagai berikut :
Y = a + b1 X1 + b2 X2
Model intepretasi dapat dirumuskan sebagai berikut:
Y= 19,804 + 0,436 X1 + 0,201 X2
Hasil dari analisis diatas dapat di siimpulkan bahwa :
1. Nilai konstanta (α) sebesar 19,804 dengan tanda posistif menyatakan bahwa apabila variabel harga diri dan dukungan sosial dianggap konstan maka nilai Y adalah 19,804.
2. Harga Diri (X1) imemiliki nilai ikoefisien sebesar 0,436. Hal ini dapat diiinterpretasikan bahwa variabel i Harga Diri (X1) meimpengaruhi Resiliensi (Y) sebesar 0,436. Artinya setiapipeningkatan ivariabel dukungan sosial sebesar satu isatuan, imaka iakan imeningkatkan iresiliensi pada narapidana sebesar 0,436 dengan asumsi dukungan sosial (X2) dan konstanta (a) adalah 0 (nol). Diketahui koefisien regresi menunjukkan bahwa harga diri berkonstribusi positif terhadap resiliensi narapidana. Maka semakin tinggi harga diri (X1), maka resiliensi (Y) akan semakin tinggi pula.
3. Dukungan Sosial (X2i) memiliki nilai koefisien iregresi sebesar 0,201.
Haliiniidapat diiinterpretasikan ibahwa variabel dukungan sosial (X2) mempengaruhi iResiliensi (Y) isebesar 0,201. Artinya isetiap peningkatan variabel dukungan sosial sebesar satu satuan, maka akan meningkatkan resiliensi pada narapidana sebesar 0,032 dengan asumsi harga diri (X1) dan konstanta (a) adalah 0 (nol). Diketahui koefisien
regresi menunjukkan ibahwa dukungan isosial berkonstribusi positif terhadap resiliensi narapidana. Maka semakin tinggi dukungan sosial (X2), maka resiliensi (Y) akan semakin tinggi pula.
f. Koefisien Determinasi (R Square)
Koefisien Determinasi (R Square) bertujuan untuk mengukur seberapa besar presentase pengaruh variabel independen atau variabel bebas terhadap variabel dependen atau terikat dalam satuan persen pada sebuah model regresi penelitian. Hasil uji koefisien determinasi dalam penelitian ini adalah sebagai berikut :
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the Estimate
1 .523a .274 .235 4.60830
a. Predictors: (Constant), Dukungan Sosial, Harga Diri b. Dependent Variable: Resiliensi
Berdasarkan tabel output SPSS “Model Summary” diatas, diketahui bahwa nilai koefisien determinasi adalah 0,274 atau sama dengan 27,4%. Angka tersebut mengandung arti bahwa variabel harga diri (X1) dan dukungan sosial (X2) secara bersama-sama berpengaruh terhadap variabel resiliensi (Y) sebesar 27,4%.
Sedangkan sisanya (100% - 27,4% = 72,6%) dipengaruhi oleh variabel lain diluar persamaan regresi ini atau variabel yang tidak diteliti.
3. Uji Hipotesis