1. Analisis Regresi
Melakukan analisis regresi berarti
membuat garis yang dapat mewakili suatu titik-titik (data yang tersebar).
Contoh
:
Namun
sebelum suatu analisis regresi dilakukan, terlebih dahulu harus dilakukan
pengujian asumsi klasik yang meliputi uji normalitas data, uji
multikolinieritas, uji heteroskedastisitas dan uji otokorelasi.
2. Uji Kolmogorov Smirnov.
Dilakukan
untuk menguji normalitas data atau dengan kata lain untuk melakukan pengujian
apakah suatu data terdistribusi normal atau tidak.
Data
Normal jika tergambar sebagai berikut, namun
untuk menggambar hal tersebut kita senantiasa mengalami kesulitan.
 |
Uji
ini dipandang lebih mempermudah peneliti untuk melihat normalitas data secara
langsung, maksudnya adalah bahwa sebenarnya ada pengujian normalitas data
dengan menggunakan statistika deskriptif misalnya dengan nilai rata-rata,
simpangan baku,
kemencengan dan kelancipan. Namun uji normalitas data dengan statistika
deskriptif ini tidak dapat memberikan kesimpulan secara tepat mengenai
normalitas data.
Uji
kolmogorov Smirnov dapat langsung menyimpulkan normalitas suatu data dengan
melihat pada signifikansi nilai Z statistik. Apabila Z statistik memiliki
signifikansi di atas 5% atau 1% (0,05 atau 0,01 tergantung dekat yang mana)
maka suatu data dikatakan terdistribusi secara normal. (Berlawanan dengan
pengujian lainnya, pada pengujian ini data justru disimpulkan normal apabila
tidak signifikan).
Contoh
:
Hasil Uji Kolmogorov Smirnov Satu Arah
|
Nama Variabel
|
Kolmogorov Smirnov Z Statistik
|
Signifikansi
|
|
X1
X2
X3
X4
Y
|
0,595
0,556
0,831
1,3
0,668
|
0,871
0,917
0,495
0,068
0,763
|
Dari contoh di atas terlihat
bahwa tingkat signifikansinya lebih besar dari pada 0,05 (atau 1%) maka kita
menyimpulkan bahwa semua data yang ada terdistribusi secara normal.
3. Uji Multikolinearitas
Uji
ini dilakukan guna mengetahui ada tidaknya hubungan dalam variabel-variabel
bebas yang digunakan. Cara paling mudah adalah dengan menggunakan koefisien
korelasi apabila koefisien korelasi lebih besar dari 0,56 (menurut Gujarati
0,8) maka diindikasikan terdapat multikolinieritas.
Contoh :
|
Variabel
|
X1
|
X2
|
X3
|
X4
|
X1 |
1
|
|
|
|
|
X2
|
0,391
|
1
|
|
|
|
X3
|
0,408
|
0,339
|
1
|
|
|
X4
|
0,480
|
0,283
|
0,327
|
1
|
Dari
tabel tersebut terlihat bahwa tidak ada koefisien korelasi antara variabel
bebas yang lebih besar daripada 0,56 (atau 0,8 tergantung referensi). Sehingga
disimpulkan tidak ada multikolinier. Cara lain adalah dengan melihat VIFnya,
apabila VIF melebihi angka 10 maka ada indikasi multikolinieritas
Contoh
:
|
Variabel
|
VIF
|
|
X1
X2
X3
X4
|
1,613
2,449
1,972
2,127
|
Dari
tabel di atas terlihat bahwa VIF tidak ada yang melebihi angka 10 sehingga
disimpulkan tidak ada multikolinieritas
4. Uji Heteroskedastisitas
Uji
heteroskedastisitas dilakukan agar suatu persamaan regresi tidak bias.
Bias
yang dimaksud disini adalah garis regresi tidak dapat mewakili pergerakan
variabel terikat secara tepat. Hal ini terjadi karena tingkat kesalahan yang
terjadi semakin melebar.
Uji heteroskedastisitas dilakukan dengan
meregresi absolut residual persamaan regresi dengan nilai variabel terikatnya.
Cara membaca hasil uji heteroskedastisitas adalah sebagai berikut :
Hasil Uji Heteroskedastisitas
|
No.
|
Keterangan
|
Nilai
t Hitung
|
Signifikansi
|
|
1
2
3
4
|
X1
X2
X3
X4
|
0,444
0,051
0,250
-0,627
|
0,659
0,959
0,804
0,533
|
Bila memiliki signifikansi di bawah 0,1 atau 10%
(bisa 0,05; gunakan yang terdekat; yang paling sering digunakan adalah 0,05)
maka terjadi heteroskedastisitas. Namun hasil tersebut menunjukkan bahwa
signifikansinya berada di atas 0,05 sehingga disimpulkan tidak ada
heteroskedastisits.
5. Uji Otokorelasi
Otokorelasi
adalah adanya hubungan yang kuat pada
periode-periode dalam satu variabel.
Uji
otokorelasi dilakukan dengan uji Durbin Watson. Uji otokorelasi hanya dapat dilakukan untuk data runtut waktu / time
series. Namun sebagai pelengkap uji ini dapat disajikan
Untuk membaca hasil uji durbin watson
sangat mudah caranya dengan melihat durbin watson statistiknya,apabila berada
di dekat angka 2 maka tidak ada otokorelasi. Apabila durbin watson berada pada
kisaran 1,5 hingga 2,5 maka disimpulkan tidak ada otokorelasi
6.
Hasil Analisis Regresi
Analisis
regresi berganda digunakan untuk melihat apakah variabel bebas yang digunakan
dalam memiliki pengaruh yang signifikan terhadap variabel terikat / kinerja.
Dalam analisis regresi ini uji t digunakan untuk menjawab hal tersebut.
Sementara uji F digunakan untuk melihat apakah semua variabel bebas yang
digunakan secara bersama-sama berpengaruh signifikan terhadap variabel terikat.
Berdasarkan
hasil analisis yang ada dapat dilihat bahwa semua variabel bebas yang digunakan
memiliki pengaruh positif yang signifikan terhadap variabel terikat.
Contoh
:
Dari
output tesebut maka persamaan regresinya adalah :
Y
= 1,564 + 0,07625X1 + 0,472X2 + 0,06801X3 + 0,568X4 + E
Untuk
melihat apakah suatu variabel bebas memiliki pengaruh yang signifikan / tidak
dapat dilihat dari nilai t atau dari signifikansinya. Apabila suatu variabel
terikat memiliki sig lebih kecil dari pada 0,1 atau 10% maka dapat dikatakan
bahwa variabel bebas tersebut signifikan pada tingkat 10%, bila lebih kecil
dari 0,05 atau 5% maka dapat dikatakan bahwa variabel bebas tersebut signifikan
pada tingkat 5%, jika memiliki sig yang lebih kecil dari 0,01 tau 1% maka dapat
dikatakan bahwa variabel tersebut signifikan pada tingkat 1%. Apabila
dinyatakan signifikan maka hipotesis yang telah kita rumuskan dapat diterima.
(Yang Umum digunakan 5%)
Berdasarkan
hal tersebut maka hipotesis 1 hingga hipotesis 4 dapat diterima, dan
disimpulkan bahwa terdapat pengaruh positif yang signifikan dari x1, x2, x3 dan
x4 terhadap y.
Uji
F dilakukan dengan melihat nilai F hitungnya
Contoh
Dengan
cara yang sama dengan uji t, maka kita dapat melihat dari nilai sig. Karena
nilai F hitung sebesar 3,559 yang
memiliki tingkat sig 0,012 yang lebih kecil dari 5% (bisa pula 10%, gunakan
yang paling dekat apabila nilai sig sebesar 0,07 maka signifikan pada tingkat
10%) maka kita dapat simpulkan bahwa semua variabel bebas secara bersama-sama
berpengaruh signifikan terhadap variabel terikat dan hipotesisnya diterima.
Sementara
itu koefisien determinasi nya dapat dilihat dari nilai R squarenya
Contoh
:
Nilai
R square sebesar 0,554 memiliki arti bahwa kemampuan variabel bebas untuk
menjelaskan besarnya variasi dalam variabel terikat adalah sebesar 55,4%
sisanya dijelaskan variabel lain yang tidak masuk dalam persamaan.
