See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/382116253
Uji Asumsi Klasik
Chapter · July 2024
CITATIONS
0
READS
12,359
2 authors, including:
Aditya Wardhana Telkom University
631PUBLICATIONS 1,112CITATIONS SEE PROFILE
All content following this page was uploaded by Aditya Wardhana on 10 July 2024.
The user has requested enhancement of the downloaded file.
i
ANALISIS REGRESI DAN ANALISIS JALUR UNTUK RISET BISNIS MENGGUNAKAN
SPSS 29.0 & SMART-PLS 4.0
Dr. Zainuddin Iba, S.E., M.M.
Dr (Cand). Aditya Wardhana, S.E., M.Si., M.M., CHRMP., CIRP., CHRA., CPP., CHRBP.
PENERBIT CV.EUREKA MEDIA AKSARA
ii
ANALISIS REGRESI DAN ANALISIS JALUR UNTUK RISET BISNIS MENGGUNAKAN SPSS 29.0 & SMART-PLS 4.0
Penulis : Dr. Zainuddin Iba, S.E., M.M.
Dr (Cand). Aditya Wardhana, S.E., M.Si., M.M., CHRMP., CIRP., CHRA., CPP., CHRBP.
Editor : Mahir Pradana, Ph.D.
Desain Sampul : Ardyan Arya Hayuwaskita
Tata Letak : Nur Cholifatun Nisa
ISBN : 978-623-120-976-4
No. HKI : EC00202462011
Diterbitkan oleh : EUREKA MEDIA AKSARA, JUNI 2024 ANGGOTA IKAPI JAWA TENGAH NO. 225/JTE/2021
Redaksi:
Jalan Banjaran, Desa Banjaran RT 20 RW 10 Kecamatan Bojongsari Kabupaten Purbalingga Telp. 0858-5343-1992
Surel : [email protected] Cetakan Pertama : 2024
All right reserved
Hak Cipta dilindungi undang-undang
Dilarang memperbanyak atau memindahkan sebagian atau seluruh isi buku ini dalam bentuk apapun dan dengan cara apapun, termasuk memfotokopi, merekam, atau dengan teknik perekaman lainnya tanpa seizin tertulis dari penerbit.
40
BAB
3
A. Pendahuluan
Asumsi klasik (classical assumption tests), juga dikenal sebagai pengujian asumsi klasik, dalam analisis data kuantitatif mencakup prinsip-prinsip dasar yang penting untuk memastikan validitas dan keandalan analisis statistik. Asumsi- asumsi ini terdiri dari:
1. Normalitas adalah salah satu asumsi klasik penting dalam analisis data kuantitatif. Asumsi ini mengacu pada distribusi data yang terdistribusi secara normal. Untuk menguji normalitas data, uji statistik seperti uji normalitas Kolmogorov-Smirnov atau uji Shapiro-Wilk dapat digunakan. Jika data tidak terdistribusi secara normal, beberapa transformasi data mungkin diperlukan sebelum melakukan analisis lebih lanjut.
2. Homogenitas mengacu pada keseragaman variabilitas di antara kelompok-kelompok data. Asumsi homogenitas varians perlu dipenuhi untuk analisis varian dan sebagian besar uji parametrik lainnya. Uji Levene atau uji Bartlett sering digunakan untuk menguji homogenitas varians. Jika asumsi ini tidak terpenuhi, teknik analisis alternatif seperti analisis varian yang tidak parametrik mungkin lebih sesuai.
3. Asumsi independensi mengasumsikan bahwa observasi atau data yang diamati saling bebas atau tidak saling terkait.
Asumsi ini sering terkait dengan analisis regresi dan uji hipotesis lainnya. Untuk memastikan independensi data, perlu diperhatikan prosedur pengambilan sampel, serta
UJI ASUMSI
KLASIK
41 teknik analisis yang tepat untuk mengatasi keterkaitan antar data jika diperlukan.
4. Asumsi linieritas (keterukuran) mengacu pada kejelasan hubungan kausal antara variabel-variabel yang diamati.
Asumsi ini penting terutama dalam analisis regresi. Sebelum melakukan analisis regresi, penting untuk memastikan bahwa hubungan kausal antara variabel-variabel telah terbukti atau diperkirakan secara logis. Jika tidak, interpretasi hasil analisis regresi dapat menjadi tidak valid.
Namun, penting untuk diingat bahwa asumsi klasik bukanlah aturan mutlak dan dapat diabaikan dalam keadaan tertentu. Namun, melanggar asumsi klasik dapat mempengaruhi keandalan dan kevalidan hasil analisis statistik.
Selain keempat asumsi klasik yang telah disebutkan, terdapat asumsi lain yang perlu dipertimbangkan tergantung pada jenis analisis statistik yang dilakukan. Dalam beberapa kasus, penggunaan metode statistik non-parametrik atau teknik analisis alternatif mungkin diperlukan jika asumsi klasik tidak terpenuhi. Penting untuk memeriksa dan memastikan bahwa asumsi klasik telah terpenuhi sebelum melanjutkan analisis data.
Hal ini dapat dilakukan dengan memeriksa grafik distribusi, uji statistik, dan teknik analisis lainnya yang sesuai. Jika asumsi klasik tidak terpenuhi, penting untuk mencari solusi yang tepat sebelum menafsirkan hasil analisis statistik. (Carlin & Moreno‐
Betancur, 2023; Iba & Wardhana, 2023; Armstrong & Green, 2017;
Varian, 2016; Gelman & Zelizer, 2015; Bordacconi & Larsen, 2014;
Thompson et al., 2005).
B. Jenis-Jenis Uji Asumsi Klasik
Uji asumsi klasik merujuk pada serangkaian tes statistik yang digunakan dalam analisis regresi dan ANOVA untuk mengevaluasi kepatuhan data terhadap asumsi-asumsi klasik yang mendasari teknik-teknik tersebut. Asumsi-asumsi ini merupakan prasyarat penting untuk memastikan validitas hasil analisis statistik. Jika data tidak memenuhi salah satu atau lebih dari asumsi-asumsi ini, maka hasil analisis statistik yang
42
dihasilkan mungkin menjadi tidak dapat diandalkan. Beberapa asumsi klasik yang biasanya diperiksa meliputi: (Iba &
Wardhana, 2023; Wardhana et al, 2022; Alita, Putra, Darwis, 2021; Saha & Onwuegbuzie, 2021; Gao et al, 2020; Grinnell Jr., &
Unrau, 2020; Ningsih & Dukalang, 2019; Riaman, Supian, Bon, 2019; Harkiolakis, 2017; Ainiyah, Deliar, Virtriana, 2016; Rahman et al, 2014; Bridgmon & Martin, 2012; Grace-Martin & Meyer, 2012; Widhiarso, 2010) yaitu:
1. Asumsi Normalitas. Asumsi normalitas adalah asumsi penting dalam analisis statistik, terutama saat menggunakan teknik seperti uji hipotesis, analisis regresi, dan analisis varians. Asumsi ini menyatakan bahwa data atau residu dari model statistik mengikuti distribusi normal.
a. Distribusi Normal. Data diharapkan mengikuti distribusi normal, dengan bentuk simetris di sekitar nilai tengah (mean) dan sebagian besar observasi terkumpul di sekitar nilai mean.
b. Residu Mendekati Distribusi Normal. Dalam analisis regresi, residu seharusnya mendekati distribusi normal, dengan sebagian besar nilai residu berada di sekitar nol dan sebarannya seragam di seluruh rentang prediksi.
c. Pentingnya Asumsi Normalitas. Asumsi ini penting karena banyak metode statistik parametrik bergantung pada normalitas data. Asumsi ini juga membantu dalam interpretasi hasil dan pembentukan interval kepercayaan yang akurat.
d. Pengukuran Normalitas. Normalitas dapat diuji menggunakan berbagai metode statistik dan grafis seperti uji Shapiro-Wilk, uji Kolmogorov-Smirnov, histogram, dan Q-Q plot.
e. Transformasi Data. Jika data tidak memenuhi normalitas, transformasi seperti logaritma atau Box-Cox dapat digunakan untuk mendekati distribusi normal.
43 f. Alternatif Non-parametrik. Jika normalitas tidak terpenuhi, metode non-parametrik yang tidak membutuhkan asumsi distribusi normal bisa menjadi alternatif.
Beberapa Uji Normalitas yaitu:
a. Uji Shapiro-Wilk memanfaatkan data mentah yang belum diproses menjadi tabel distribusi frekuensi. Data diurutkan terlebih dahulu, lalu dibagi menjadi dua kelompok untuk dilakukan transformasi menjadi nilai Z.
Uji ini penting untuk menghitung luas area di bawah kurva distribusi normal. Berikut adalah rumus untuk perhitungan uji Shapiro-Wilk:
Keterangan Rumus Shapiro Wilk
D = Berdasarkan rumus di bawaha = Coeffisient test Shapiro Wilk
X n-i+1 = Angka ke n – i + 1 pada data X i = Angka ke i pada data
Keterangan:
Xi = Angka ke i pada data yang X = Rata-rata data
Keterangan:
G = Identik dengan nilai Z distribusi normal
44
T3 = Berdasarkan rumus di atas bn, cn, dn = Konversi Statistik Shapiro-Wilk Pendekatan Distribusi Normal
Dalam hasil uji SPSS, nilai shapiro hitung ditunjukkan dengan nilai VALUE, sedangkan signifikansinya ditunjukkan dengan nilai Sig. Signifikansi dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji nilai T3 dibandingkan dengan nilai tabel Shapiro W, untuk dilihat posisi nilai probabilitasnya (p).
Jika nilai p > 5%, maka Ho diterima; Ha ditolak.
Jika nilai p < 5%, maka Ho ditolak; Ha diterima.
b. Uji Kolmogorov-Smirnov adalah salah satu metode yang umum digunakan untuk menguji normalitas, terutama dengan ketersediaan program statistik. Kelebihannya terletak pada kesederhanaannya dan kekonsistensiannya dalam penilaian, yang mengurangi perbedaan persepsi antara pengamat yang berbeda yang sering terjadi dalam metode grafis. Terdapat dua varian uji ini: satu sampel, yang mengukur kesesuaian distribusi sampel dengan distribusi teoritis, dan dua sampel, yang menilai kesamaan atau keidentikan dua sampel independen. Uji ini termasuk dalam kategori non-parametrik, meskipun sering digunakan untuk menilai normalitas data. Uji Kolmogorov Smirnov (KS) didasarkan pada Fungsi Distribusi Empiris (FDE). Jika diberikan N titik data terurutan yaitu X1, X2, ..., XN, maka FDE didefinisikan sebagai:
EN=ni N
ni adalah jumlah titik yang kurang dari Xi, dimana nilai Xi
adalah data yang telah diurutkan dari nilai yang terkecil hingga nilai yang terbesar. FDE adalah fungsi yang naik sebesar 1/N pada setiap titik data.
45 Statistik uji menggunakan D yaitu nilai maksimum dari F(Xi) −i−iN atau secara matematis dapat ditulis menjadi:
D = 𝑚𝑎𝑥
1≤𝑖≤𝑁(𝐹(𝑋𝑖)𝑖−1
𝑁 ,𝑖−1
𝑁 − 𝐹(𝑋𝑖)
dimana F(Xi) adalah peluang distribusi kumulatif.
Kaidah Keputusan yaitu:
1) Terima H0 jika nilai D kecil dari nilai DN, α pada tabel Kolmogorov Smirnov (D < DN, α).
2) Tolak H0 jika nilai jika nilai D sama atau lebih besar dari nilai DN, α pada tabel Kolmogorov Smirnov DN ≥ DN, α).
Hasil uji One-Sample Kolmogorov-Smirnov Test dapat dilihat pada tabel berikut ini.
Tabel 3. 1 Hasil Uji One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 30
Normal Parametersa,b
Mean ,0000000
Std. Deviation ,26912000 Most Extreme
Differences
Absolute ,097
Positive ,097
Negative -,090
Test Statistic ,097
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.
(Sumber: Data SPSS 29.0 for Windows)
46
Data pada tabel menunjukkan bahwa nilai signifikansi (Asymp. Sig. (2-tailed)) adalah 0,200, yang menunjukkan bahwa nilainya lebih besar dari alpha yang ditetapkan sebesar 0,05. Hasil ini menyiratkan bahwa data secara keseluruhan memiliki distribusi yang normal.
c. Grafik histogram normal, Q-Q plot, atau probability p-p plot menampilkan distribusi normal sebagai garis lurus diagonal. Dalam distribusi data residual yang normal, garis yang merepresentasikan data residual akan sejajar dengan garis diagonal, sementara nilai-nilai ekstrim rendah dan tinggi cenderung sedikit dengan mayoritas data berada di tengah. Jika titik-titik pada grafik membentuk garis diagonal dan tersebar sepanjang garis tersebut, menunjukkan bahwa residual terdistribusi secara normal.
47 Gambar 3. 1 Grafik Histogram Normalitas dan Grafik
Q-Q Atau (p-plot) Normalitas (Sumber: Data SPSS 29.0 for Windows)
Ilustrasi tersebut menjelaskan bahwa dalam uji normalitas, histogram digunakan untuk menampilkan variabel dependen pada sumbu vertikal dan nilai residual pada sumbu horizontal. Jika Histogram Standardized Regression Residual menyerupai lonceng, ini menandakan distribusi normal pada nilai residual. Kesimpulan ini menegaskan bahwa data yang dianalisis memiliki distribusi normal, karena pola lonceng yang simetris terlihat pada grafik tersebut.
Melalui grafik Q-Q plot atau p-plot yang dipresentasikan di atas, terlihat bahwa data yang terhubung dengan variabel yang dipertimbangkan menunjukkan tanda-tanda distribusi normal. Grafik Q-Q plot atau p-plot terbukti dari pola penyebaran titik data yang mengikuti garis diagonal pada grafik, menunjukkan kesesuaian dengan distribusi normal. Kesesuaian ini
48
menunjukkan bahwa asumsi normalitas pada model regresi dapat dianggap valid.
Jika data tidak berdistribusi normal, karena pola lonceng yang tidak simetris pada grafik tersebut, maka dapat dilakukan Method of Successive Interval (MSI) dengan menggunakan nilai Z Score.
Langkah-Langkah Uji Normalitas dengan SPSS
Sebagai ilustrasi, katakanlah Peneliti telah melakukan penelitian dan menghimpun data mengenai usia responden. Selanjutnya, Peneliti ingin menguji apakah data yang telah dikumpulkan, yakni usia responden, terdistribusi secara normal atau tidak.
Selanjutnya langkah-langkah Uji Normalitas Data dengan menggunkan SPSS adalah sebagai berikut:
1) Aktifkan Aplikasi SPSS. (Gambar 1.2)
2) Buka File SPSS dgn nama: DATA UJI NORMALITAS.sav (Gambar 1.2)
3) Lihat pada VARIABEL VIEW. (Gambar 1.2)
4) Selanjutnya lihat/aktifkan DATA VIEW (Gambar 1.2) 5) Klik ANALYZE selanjutnya pilih
DESCRIPTIVE STATISTICS kemudian klik EXPLORE, dan selanjutnya masukkan Variabel Umur ke dalam Kotak DEPENDENT LIST. (Gambar 1.3., 1.4. 1.5) 6) Kemudian Klik/ Pilih BOTH pada bagian
DISPLAY (terletak dibagian bawah) dan Biarkan kotak STATISTICS sesuai default SPSS. (Gambar 1.6) 7) Selanjutnya Aktifkan/Klik Kotak PLOTS (Gambar
1.7)
8) Lihat pada BOXPLOTS kemudian
Aktifkan/Klik/Pilih FACTOR 9) LEVEL TOGETHER. (Gambar 1.8)
10) Lihat pada bagian DESCRIPTIVE, kemudian Aktifkan/Klik/Pilih HISTOGRAM. (Gambar 1.8) 11) Kemudian Aktifkan/Klik/Pilih NORMALITY PLOTS
WITH TESTS (Gambar 1.8)
49 12) Selanjutnya Klik CONTINUE dan kemudian Klik OK
(Gambar 1.9)
13) Selanjutnya simpan File Data dan Output tersebut menggunakan Menu Save AS.
Gambar 3. 2 Tabel Output/ Hasil Uji Normalitas Data (Sumber: Data SPSS 29.0 for Windows)
Kriteria atau cara memberikan i nterpretasi hasil Uji Normalitas Data adalah sebagai berikut:
1) Lihat pada Tabel TESTS OF NORMALITY
2) Terdapat 2 Jenis Uji Normalitas, yaitu Kolmogorov- Smirnov dan Shapiro-Wilk. Penggunaannya adalah:
a) Kolmogorov-Smirnov: Untuk Sampel Besar (>50) b) Shapiro-Wilk: Untuk Sampel Kecil (≤50)
3) Data dapat dikatakan berdistribusi normal apabila Nilai P (Sig.) > 0.05, baik pada Kolmogorov-Smirnov maupun Shapiro-Wilk.
4) Bahwa Jumlah Sampel (N) adalah 290, hal ini berarti Sampel Besar (>50), sehingga Tabel hasil Uji Normalitas yang digunakan adalah Tabel Kolmogorov-Smirnov. Dari Tabel tersebut didapatkan Nila P (Sig.) = 0,000 yang berarti P < 0,05 sehingga Data tersebut dikatakan Tidak Berdistribusi Normal.
2. Asumsi Heteroskedastisitas. Asumsi Heteroskedastisitas diasumsikan bahwa varians kesalahan tetap konstan di semua tingkat nilai prediktor (homoskedastisitas), tidak berubah seiring dengan perubahan nilai prediktor (heteroskedastisitas). Beberapa teknik pengujian termasuk Uji Park, Uji Glejser, Scatter Plot, dan Uji Korelasi Spearman.
50
a. Uji Park adalah metode yang melibatkan regresi nilai kuadrat logaritma natural dari residual (Ln (e2) dengan variabel independen (X1 dan X2). Kriteria evaluasi adalah sebagai berikut: jika nilai signifikansi > 0,05, tidak ada indikasi heteroskedastisitas. Namun, jika nilai signifikansi
< 0,05, menunjukkan adanya gejala heteroskedastisitas.
b. Uji Glejser. Uji Glejser melibatkan regresi variabel independen terhadap nilai residual absolut (ABS_RES).
Penilaian heteroskedastisitas menggunakan uji Glejser adalah sebagai berikut: Jika nilai signifikansi (Sig.) > 0,05, tidak ada indikasi heteroskedastisitas dalam model regresi. Sebaliknya, jika nilai signifikansi (Sig.) < 0,05, menunjukkan adanya gejala heteroskedastisitas.
c. Grafik Plot (Scatter Plot). Heteroskedastisitas dapat dideteksi melalui scatterplot, di mana titik-titiknya tersebar secara acak tanpa membentuk pola khusus, dan distribusinya muncul di atas atau di bawah nol pada sumbu Y. Pengamatan scatterplot memberikan indikasi sebagai berikut: Pola teratur seperti gelombang atau variasi lebar yang konsisten menandakan adanya masalah heteroskedastisitas. Sebaliknya, jika titik-titik tersebar di kedua sisi angka nol pada sumbu Y tanpa pola yang jelas, maka tidak terdapat masalah heteroskedastisitas, yang menunjukkan homoskedastisitas. Hasil analisis data menggunakan perangkat lunak Statistical Program of Social Science (SPSS) 29.0 for Windows menunjukkan hal berikut:
51 Gambar 3. 3 Grafik Scatterplot
Dari visualisasi tersebut, titik-titik tersebar secara acak di kedua sisi angka 0 pada sumbu Y, menunjukkan homogenitas varians. Oleh karena itu, dapat disimpulkan bahwa tidak ada heteroskedastisitas pada model regresi, dan model tersebut sesuai untuk analisis lebih lanjut.
3. Asumsi Independensi Kesalahan. Asumsi Independensi Kesalahan menyatakan bahwa kesalahan dalam model regresi atau ANOVA adalah bebas dari ketergantungan atau pola tertentu di antara kesalahan. Uji Durbin-Watson umumnya digunakan untuk mengevaluasi independensi kesalahan dengan kriteria sebagai berikut:
a. Nilai Durbin-Watson (d) berkisar antara 0 dan 4, yang mengindikasikan tingkat korelasi antara kesalahan yang berdekatan.
b. Jika nilai d mendekati 2, menunjukkan independensi kesalahan yang kuat, artinya tidak ada korelasi.
c. Jika nilai d mendekati 0, menunjukkan korelasi positif antara kesalahan yang berdekatan.
52
d. Jika nilai d mendekati 4, menunjukkan korelasi negatif antara kesalahan yang berdekatan.
Tabel 3. 2 Hasil Uji Independensi Kesalahan Model Summaryb
Model R R
Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .840a .705 .699 2.325 2.095
a. Predictors: (Constant), Social Media Marketing, Brand Image b. Dependent Variable: Keputusan Pembelian
(Sumber: Data SPSS 29.0 for Windows)
Berdasarkan data pada tabel tersebut, DW memiliki nilai sekitar 2.095. Hasil dari tabel Durbin Watson menunjukkan bahwa nilai DW mendekati 4, yang mengindikasikan adanya korelasi negatif antara kesalahan yang berdekatan.
4. Asumsi Linieritas Yang diasumsikan adalah bahwa keterkaitan antara variabel prediktor dan variabel respons bersifat linear, yang umumnya diperiksa dengan membandingkan plot residual dengan plot prediksi. Data telah diolah menggunakan perangkat lunak Statistical Program of Social Science (SPSS) 29.0 for Windows.
Tabel 3. 3 Hasil Uji Linieritas
(Sumber: Data SPSS 29.0 for Windows)
53 Data pada tabel menunjukkan bahwa pada Uji Linearity, signifikansi adalah 0.000. Karena nilainya kurang dari 0.05, dapat disimpulkan bahwa terdapat hubungan linier antara variabel citra merek dan keputusan pembelian. Selain itu, saat memeriksa signifikansi pada uji Deviation from Linearity, ditemukan bahwa hubungan antara variabel citra merek dan keputusan pembelian juga bersifat linier. Hasil ini disimpulkan dari signifikansi sebesar 0.759, yang melebihi 0.05.
5. Asumsi multikolineritas adalah asumsi kunci dalam analisis regresi. Asumsi ini terjadi saat dua atau lebih variabel independen dalam model regresi memiliki korelasi yang signifikan, yang dapat mempengaruhi hasil regresi dan interpretasi parameter regresi. Berikut adalah beberapa poin penting mengenai asumsi multikolineritas:
a. Hubungan Kuat Antara Variabel Independen.
Multikolineritas terjadi saat terdapat korelasi yang signifikan antara dua atau lebih variabel independen dalam model regresi, menyulitkan pemisahan efek dari masing-masing variabel terhadap variabel dependen.
b. Dampak Terhadap Estimasi Koefisien Regresi.
Multikolineritas dapat membuat estimasi koefisien regresi tidak konsisten dan tidak dapat diandalkan. Variabilitas yang tinggi dalam perkiraan koefisien dapat mengakibatkan interval kepercayaan yang luas.
c. Dampak Terhadap Interpretasi. Multikolineritas dapat mengakibatkan kesulitan dalam menafsirkan parameter regresi, sehingga Peneliti mungkin tidak dapat memisahkan pengaruh relatif dari masing-masing variabel independen terhadap variabel dependen.
d. Dampak Terhadap Uji Hipotesis. Multikolineritas bisa mempengaruhi pengujian hipotesis terkait parameter regresi, menyebabkan nilai-nilai p yang tidak dapat dipercaya.
54
e. Cara Mendeteksi. Multikolineritas bisa teridentifikasi menggunakan berbagai metode, termasuk analisis matriks korelasi antara variabel independen, uji VIF (Variance Inflation Factor), dan analisis regresi berganda.
VIF menilai seberapa besar varians dari estimasi koefisien regresi yang disebabkan oleh multikolineritas. Nilai VIF yang tinggi, berbanding terbalik dengan nilai toleransi, mengindikasikan kolinearitas yang lebih tinggi. Jika VIF melebihi 10, ini menandakan adanya multikolineritas yang signifikan dalam model regresi.
f. Cara Mengatasi. Peneliti dapat mengatasi multikolineritas dengan mempertimbangkan langkah- langkah berikut:
1) Menghapus satu atau beberapa variabel yang memiliki multikolineritas yang signifikan.
2) Mengkombinasikan variabel yang berkorelasi tinggi menjadi satu variabel baru.
3) Menggunakan metode regresi alternatif yang lebih tahan terhadap multikolineritas, seperti regresi ridge atau regresi lasso.
4) Meningkatkan jumlah data dengan mengumpulkan lebih banyak sampel untuk meningkatkan keragaman nilai variabel independen.
Hasil pengolahan data melalui program Software Statistical Program of Social Science (SPSS) 29.0 for Windows:
Tabel 3. 4 Hasil Uji Multikolinearitas
55 Berdasarkan data dalam tabel tersebut, dapat disimpulkan bahwa setiap variabel dalam model memiliki tingkat toleransi di atas 0,1 dan nilai VIF (Variance Inflation Factor) yang kurang dari 10 yang menunjukkan tidak adanya tanda-tanda multikolineritas pada variabel- variabel dalam model tersebut.
6. Asumsi Autokorelasi. Asumsi autokorelasi digunakan untuk mengevaluasi apakah terdapat hubungan antara kesalahan pengganggu pada periode saat ini (t) dan periode sebelumnya (t-1) dalam model regresi. Uji Durbin Watson membandingkan nilai Durbin Watson yang dihitung (d) dengan nilai kritis Durbin Watson tabel (dU dan dL). Kriteria pengujian meliputi:
a. Jika 0 < d < dL, maka terdapat autokorelasi positif.
b. Jika dL < d < dU, tidak dapat dipastikan adanya autokorelasi.
c. Jika d - dL < d < 4, terdapat autokorelasi negatif.
d. Jika 4 - dU < d < 4 - dL, tidak dapat dipastikan adanya autokorelasi.
e. Jika dU < d < 4 - dU, tidak terdapat autokorelasi positif maupun negatif.
Tabel 3. 5 Hasil Uji Autokorelasi Model Summaryb
Model R R
Square
Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .840a .705 .699 2.325 2.095
a. Predictors: (Constant), Social Media Marketing, Brand Image b. Dependent Variable: Keputusan Pembelian
(Sumber: Data SPSS 29.0 for Windows)
Berdasarkan informasi dalam tabel, DW memiliki nilai 2.095, dengan dL: 1.631 dan dU: 1.736. Hasil uji Autokorelasi Durbin Watson adalah sebagai berikut:
56
a. Jika DW < 1.631 atau DW > 2.369, maka terdapat autokorelasi.
b. Jika 1.763 < DW < 2.264, maka tidak terdapat autokorelasi.
c. Jika 1.631 < DW < 1.736, pengujian tidak dapat disimpulkan.
Dari hasil uji tersebut, dapat disimpulkan bahwa tidak ada indikasi autokorelasi.
57 DAFTAR PUSTAKA
Ainiyah, Nur., Deliar, Albertus., Virtriana, Riantini. (2016). The Classical Assumption Test to Driving Factoras of Land Cover Change in The Development Region of Northern Part of West Java. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLI-B6, 205-210 Alita, Debby., Putra, Ade Dwi., Darwis, Dedi. (2021). Analysis of
Classic Assumption Test and Multiple Linear Regression Coefficient Test for Employee Structural Office Recommendation. IJCCS: Indonesian Journal of Computing and Cybernetics Systems, 15(3), 295-306
Armstrong, J S., & Green, K C. (2017). Guidelines for Science:
Evidence and Checklists. SSRN Electronic Journal, June 2018, 1-35. https://doi.org/10.2139/ssrn.3055874
Bordacconi, M J., & Larsen, M V. (2014). Regression to Causality:
Regression-Style Presentation Influences Causal Attribution.
Research & Politics, 1(2).
https://doi.org/10.1177/2053168014548092
Bridgmon, Krista D., & Martin, William E. (2012). Quantitative and Statistical Research Methods: From Hypothesis to Results.
Hoboken, New Jersey: Jossey-Bass
Carlin, J B., & Moreno‐Betancur, M. (2023). On The Uses and Abuses of Regression Models: A Call for Reform of Statistical Practice and Teaching. https://doi.org/10.48550/arxiv.2309.06668
Gao, Yuan, et al. (2020). A Comparison of Qualitative and Quantitative Measurement Instruments for Urban Public Space Quality. Sustainability, 12(10), 1-16
Gelman, A., & Zelizer, A. (2015). Evidence on The Deleterious Impact of Sustained Use of Polynomial Regression on Causal Inference. Research & Politics, 1(2).
https://doi.org/10.1177/2053168015569830
58
Grace-Martin, Karen A., & Meyer, Jeff. (2012). How to Use Likert Scales and Other Ordinal Data in Regression Analysis. The Journal of Statistics Education, 20(2), 1-24
Grinnell Jr., Richard M., & Unrau, Yvonne A. (2020). Social Work Research and Evaluation: Quantitative and Qualitative Approaches. New York, NY: Oxford University Press
Harkiolakis, Nicholas. (2017). Quantitative Research Methods: From Theory to Publication. Washington: CreateSpace Independent Publishing Platform
Iba, Zainuddin., & Wardhana, Aditya. Metode Penelitian.
Purbalingga: Eureka Media Aksara
Ningsih, Setia., & Dukalang, Hendra. (2019). Penerapan Metode Suksesif Interval pada Analsis Regresi Linier Berganda.
Jambura Journal of Mathematics, 1(1), 43-53
Rahman, D. Cahya, et al. (2014). Uji Normalitas dengan Shapiro Wilk.
Jakarta: Sekolah Tinggi Ilmu Statistik.
Riaman., Sukono., Supian, Sudradjat., Bon, Abdul Talib. (2019).
Classical Assumption Test for Testing the Influence of Composite Stock Price Index, Inflation Level, BI Rate, and Rupiah Exchange Rate Toward Stock Price in Indonesia.
Proceedings of the International Conference on Industrial Engineering and Operations Management Riyadh, Saudi Arabia, November 26-28, 439-445
Saha, Lawrence J., & Onwuegbuzie, Anthony J. (2021). Handbook of Research Methods in Education and the Social Sciences. Hoboken, NJ: John Wiley & Sons, Inc.
Thompson, B., Diamond, K E., McWilliam, R A., Snyder, P., &
Snyder, S. (2005). Evaluating the Quality of Evidence from Correlational Research for Evidence-Based Practice.
Exceptional Children, 71(2), 181-194.
https://doi.org/10.1177/001440290507100204
59 Varian, H R. (2016). Causal Inference in Economics and Marketing.
PNAS, 113(27), 7310-7315.
https://doi.org/10.1073/pnas.1510479113
Wardhana, Aditya, et al. (2022). Metodologi Penelitian Kuantitatif, Kualitatif, dan Kombinasi. Bandung: Media Sains Indonesia.
Widhiarso, Wahyu. (2010). Catatan Pada Uji Linearitas Hubungan.
Yogyakarta: Fakultas Psikologi UGM.
195 TENTANG PENULIS
Dr. Zainuddin Iba, S.E., M.M.
Lahir di Blang Dalam Baroh 1961.
Menyelesaikan pendidikan pada Fakultas Ekonomi (jurusan Manajemen) Universitas Pakuan (UNPAK) Bogor tahun 1990. Magister Manajemen Fakultas Ekonomi dan Bisnis Universitas Syiah kuala Banda Aceh tahun 2009. Menyelesaikan Program Doktor Ilmu Manajemen pada Universitas Pasundan (UNPAS) Bandung tahun 2015. Pengalaman bekerja di PT. Winner Garment Manufacturing Corp, Bogor (1990-1993). PT. Grea Citra Lestari Bogor (1993-1994).
PT. Indonesia Product Centre Sarinah Jaya Jakarta (1994-1996). PT.
Kumagai Wika Joint Operation. Kota Bumi Lampung (1996-1998).
Centurion Co Ltd. Jakarta, (1998-2000). Eastern Fashions Co Ltd, Jakarta (2001-2002). PT. Lombartex Indonesia Apparel Lhokseumawe Provinsi Aceh (2005-2007). Anggota DPRK Aceh Utara priode (2014-2019). Dosen Tetap Yayasan Kebangsaan Bireuen (2009-Sekarang). Ketua STIE Kebangsaan Bireuen (2013- 2017). Ketua Program Pascasarjana Magister Manajemen Fakultas Ekonomi dan Bisnis Universitas Islam Kebansaan Indonesia (2017- 2021). Wakil Rektor Bidang Akademik (2021-sekarang).
196
Dr. (Cand). Aditya Wardhana, S.E., M.Si., M.M., CHRMP, CIRP, CHRA, CPP, CHRBP.
Penulis merupakan dosen tetap di Universitas Telkom. Menyelesaikan studi Sarjana Ekonomi di Universitas Padjadjaran tahun 1997. Kemudian, penulis menyelesaikan studi Magister Sains di Universitas Padjadjaran tahun 2003 dan menyelesaikan studi Magister Manajemen di Universitas Pasundan tahun 2012. Saat ini penulis sebagai kandidat Doktor Ilmu Manajemen di Universitas Pasundan.
Penulis memiliki kepakaran di bidang manajemen sumber daya manusia (SDM). Penulis memiliki sertifikasi dalam bidang SDM yaitu Certified Human Resources Management Professional (CHRMP), Certified Industrial Relations (CIRP), Certified Human Resources Analyst (CHRA), Certified Personality Practicioner (CPP), dan Certified Human Resources Business Partner (CHRBP). Penulis memiliki pengalaman praktisi SDM di bagian Human Resource Development PT Perusahaan Gas Negara Tbk serta sebagai konsultan di berbagai BUMN seperti PT Surveyor Indonesia, PT Badan Klasifikasi Kapal Indonesia, PT Pertamina, PT BNI 46, PTPN VIII Jawa Barat, PT Biofarma, serta pada Kementerian Koordinator Perekonomian RI, dan Kementerian Perhubungan. Penulis aktif menulis berbagai buku dalam bidang manajemen sumber daya manusia serta memiliki Sertifikasi Penulis Buku Non-Fiksi dari Badan Sertifikasi Nasional Profesi (BSNP) RI. Penulis meraih penghargaan sebagai dosen dengan kinerja penelitian terbaik se- Jawa Barat dan Banten dari LLDIKTI Wilayah IV pada tahun 2022.
Email Penulis: [email protected]
197
View publication stats
