Anda di halaman 1dari 24

MAKALAH METODOLODI PENELITIAN UJI INSTRUMEN dan UJI ASUMSI KLASIK

Disusun oleh :

Choirunnisa Yoseva Maria P.R Agata Rahmi P.

(105020201111004) (105020201111041) (105020203111003)

Fransisca Alfarah G. (105020200111093)

Jurusan Manajemen Fakultas Ekonomi Universitas Brawijaya 2011 -2012

KATA PENGANTAR

Segala puji bagi Allah Swt., Tuhan Semesta Alam.Shalawat dan salam semoga senantiasa tercurah kepada Nabi Muhammad Saw., keluarga , sahabat, serta para pengikutnya hingga akhir zaman nanti. Makalah ini dibuat dengan tujuan sebagi bahan pembelajaran atau latihan penulis dalam memahami Uji Instrumen dan Uji Asumsi Klasik dalam pembuatan skripsi dsb. Penulis mengucapkan syukur kepada Tuhan Yang Maha Esa karena telah diberi kemudahan dalam menyelesaikan makalah ini, dari proses awal sampai akhir.Dan juga kepada Bapak Ahmad Sudiro , atas bimbingannya serta arahan dalam pembuatan makalah ini, sehingga makalah ini bisa selesai tepat pada waktunya. Yang terakhir kepada Temanteman semua yang telah membantu dalam menyelesaiakan makalah ini. Penulis juga memohon kritik serta saran yang membangun untuk makalah ini,

karena penulis yakin masih ada banyak kekurangan dalam proses pembuatan makalah ini.

Malang, 24 April 2012

Penulis

DAFTAR ISI

Kata Pengantar ....2 Daftar Isi ...3 Bab I Pendahuluan ..4 1.1 Latar Belakang.4 1.2 Rumusan Masalah...4 1.3 Tujuan....5 Bab II Pembahasan .....6 2.1 Uji Asumsi Klasik ..6 2.2 10 Asumsi yang ada dalam Asumsi Klasi..6 2.3 Uji Normalitas ...9 2.4 Uji Autokorelasi....11 2.5 Uji Multikolinearitas.12 2.6 Uji Heterokdisitas14 2.7 Uji Linearitas ...15 2.8 Uji Instrumen ( Reabilitas )15 2.9 Uji Instrumen ( Validitas )...18 Bab III Penutup ..23 Kesimpulan..23

Bab. 1 PENDAHULUAN

1.1 Latar Belakang Pengujian asumsi klasik diperlukan untuk mengetahui apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya gejala heteroskedastisitas, gejala multikolinearitas, dan gejala autokorelasi. Model regresi akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi persyaratan BLUE (best linear unbiased estimator) yakni tidak terdapat heteroskedastistas, tidak terdapat multikolinearitas, dan tidak terdapat autokorelasi ( Sudrajat 1988 : 164). Jika terdapat heteroskedastisitas, maka varian tidak konstan sehingga dapat menyebabkan biasnya standar error. Jika terdapat multikolinearitas, maka akan sulit untuk mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat signifikansi koefisien regresi menjadi rendah. Dengan adanya autokorelasi mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja menjadi tidak efisien. Dalam makalah ini, penulis membahas terkait asumsi klasik, autokorelasi, dan multikolinearitas.Sebagaimana halnya setiap pengujian hipotesis dalam statistic , kita akan mencoba mengetahui apakah nilai parameter-parameter yang ditaksir dalam model regresi cocok dengan nilai yang dihipotesiskan dari parameter-parameter tersebut.Kita akan membahas mengapa kita menggunakan Model Regeresi Linear Klasik. Tentang Multikolinearitas mencoba menentuka apa yang terjadi jika dua variable penjelas atau lebih berkorelasi.Ingat kembali salah satu asumsi CRLM mengenai variable variable penjelas yang tidak memiliki hubungan hubungan linear sempurna diantara mereka.Ini menunjukkan bahwa sepanjang variable-variable penjelas tidak berhubungan linear sempurna , menaksir kuadrat terkecil biasa ( OLS ) masih menjadi penafsir tak bias linear terbaik (BLUE-best linear unbiased estimator ).

1.2 Rumusan Masalah 1. Apa yang di maksud dengan asumsi klasik ? 2. Apa saja yang menjadi bagian dari Asumsi Klasik ? 3. Apa yang di maksud dengan Uji Normalitas ? 4. Apa yang di maksud Uji Autokorelasi ? 5. Apa yang di maksud Uji Multikolinearitas ?

6. Apa yang di maksud Uji Heteroksiditas ? 7. Apa yang dimaksud Uji Linearitas ? 8. Apa yang di maksud dengan reabilitas dan Validitas ? 9. Bagaimana Pengujian secara Eksternal dilakukan ? 10. Bagaimana Pengujian secara Internal dilakukan ?

1.3 Tujuan Masalah 1. Untuk mengetahui maksud dari Asumsi Klasik. 2. Untuk mengetahui apa saja yang menjadi bagian dari asumsi klasik. 3. Untuk mengetahui apa yang dimaksud dengan uji Normalitas. 4. Untuk mengetahui apa yang dimaksud dengan uji Autokorelasi. 5. Untuk mengetahui apa yang dimaksud dengan uji Multikolinearitas. 6. Untuk mengetahui apa yang dimaksud dengan uji Heterokdisitas. 7. Untuk mengetahui apa yang dimaksud dengan uji Linearitas. 8. Untuk mengetahui apa yang dimaksud dengan reabilitas dan validitas. 9. Untuk mengetahui bagaimana pengujian secara dilakukan . eksternal dan internal itu dapat

Bab. II PEMBAHASAN

2.1 Uji Asumsi Klasik A. Pengertian Asumsi Klasik Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dilakukan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional. Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market model, atau market adjusted model. Perhitungan nilai return yang diharapkan dapat dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik. Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji

heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain. Uji asumsi klasik merupakan terjemahan dari clasical linear regression model (CLRM) yang merupakan asumsi yang diperlukan dalam analisis regresi linear dengan ordinary least square (OLS). Sebagai informasi, semua ini berkat kejeniusan seorang matematikawan Jerman bernama Carl Friedrich Gauss. CLRM juga sering disebut dengan The Gaussian Standard, yang sebenarnya terdiri dari 10 item. Akan tetapi, yang sering kita jumpai dalam berbagai penelitian, atau berbagai buku statistik terapan mungkin hanya 4 atau 5 saja. Mengapa? Berikut sedikit uraian tentang 10 item tersebut.

1.

Asumsi 1: Linear Regression Model. Model regresi haruslah linear, meskipun bisa saja sebenarnya variabel terikat Y

dengan variabel bebas X tidak linear. Istilah linear sebenarnya ada dua macam, yaitu linearitas pada variabel dan linearitas pada parameter. Yang disebut dengan linearitas pada variabel adalah jika digambarkan dalam grafik maka akan berbentuk garis lurus. Misalnya persamaan Y = a + bX. Seandainya 6

persamaannya adalah Y = a + b X^2 maka disebut tidak linear, karena jika digambarkan dalam grafik tidak membentuk garis lurus. Atau secara umum dapat dikatakan jika X mempunyai pangkat 1. Sedangkan linearitas pada parameter adalah merujuk kepada koefisiennya yaitu b. Jadi persamaan Y = a + b X^2 dapat disebut linear jika koefisien b mempunyai pangkat 1. Asumsi yang diperlukan dalam regresi linear adalah linearitas pada parameter, bukan linearitas pada variabel. 2. Asumsi 2: X values are fixed in repeated sampling. Nilai variabel X diasumsikan stokastik atau dianggap tetap dalam sampel yang berulang. Misalnya ada 7 data yang akan dianalisis dengan regresi (ini hanya contoh saja, karena regresi dengan 7 data tampaknya terlalu sedikit). Gaji (juta) 3 3 3 4 4 5 5 Pengeluaran (juta) 2,5 2 3 3 2,5 4,5 4 Jadi misalnya ambil nilai tetap untuk X, yaitu gaji 3 juta maka sampel pertama mempunyai pengeluaran 2,5 juta. Lalu ambil lagi sampel kedua dengan gaji 3 juta maka pengeluarannya adalah 2 juta. Demikian seterusnya untuk sampel dengan gaji 4 juta dan 5 juta. Jadi nilai X dianggap tetap pada sampel yang berulang. (dalam regresi lanjut, dapat diasumsikan bahwa X tidak stokastik).

3.

Asumsi 3: Zero mean value of disturbance ui Nilai Y hasil prediksi dengan model regresi tentunya mempunyai kesalahan atau

tidak tepat sama dengan nilai Y pada data. Selisihnya sering disebut dengan disturbance dan sering disimbolkan dengan u. Nilai ini harus mempunyai rata-rata sama dengan 0 (eksak). Ketika kita telah mendaptkan garis lurus pada model, maka nilai Y yang sebenarnya bisa berada di atas atau di bawah garis lurus tersebut, akan tetapi jumlahnya akan seimbang sehingg rata-ratanya sama dengan 0. 4. Asumsi 4: Homoscedasticity or equal variance of ui Homo berarti sama atau equal, scedasticity berarti disperse atau scatter atau ada yang mengartikan sebaran. Jadi varians dari error atau disturbance haruslah sama pada 7

masing-masing nilai X. Sebagai contoh, ada 3 orang dengan gaji 3 juta sehingga memberikan tiga buah error dan mempunyai varians. Varians ini harus sama (equal) dengan varians error pada nilai X yang lain misalnya 4 juta. Demikian seterusnya. 5. Asumsi 5: No autocorrelation between the disturbances Asumsi ini masih berkaitan dengan nilai error, yaitu bahwa untuk sembarang 2 buah nilai X, maka kedua error itu tidak berkorelasi (atau mempunyai korelasi 0). Misalnya error pada X sebesar 3 juta dengan Y sebesar 2,5 dengan error pada X sebesar 3 juta dengan Y sebesar 2 juta tidak berkorelasi. Pengertian lain adalah misalnya ada persamaan Y = a + b X + u dengan u adalah error. Jika ada korelasi antara u dengan u-1 (error sebelumnya) maka model akan gagal, karena Y pada model harusnya dipengaruhi oleh X saja, akan dipengaruhi oleh u. Demikian seterusnya.

6.

Asumsi 6: Zero covariance between ui and Xi Artinya nilai variabel bebas (Xi) dengan error (ui) tidak berkorelasi. Diasumsikan

bahwa Y adalah dipengaruhi oleh X dan u, sehingga X dan u harus tidak saling berkorelasi. Jika X dan u berkorelasi, maka tidak mungkin mencari pengaruh masing-masing terhadap Y. Jika X berkorelasi positif dengan u, maka jika X meningkat u juga meningkat, atau jika X menurun maka u juga menurun (juga sebaliknya jika berkorelasi negatif). Sehingga sulit untuk mengisolasi pengaruh X dan u terhadap Y. Asumsi ini sebenarnya akan terpenuhi secara otomatis jika X merupakan stokastik karena untuk X bernilai tetap, u akan berubah.

7.

Asumsi 7: The number of observations n must be greater than the number of

parameters to be estimated Asumsi ini sebenarnya tidak asing bagi matematika sederhana. Jika ada dua parameter yang akan dicari nilainya maka tentunya tidak mungkin diselesaikan dengan satu persamaan (observasi). 8. Asumsi 8: Variability in X values Harus ada variasi nilai dalam variabel X. Jika X nilainya sama untuk semua observasi maka tentunya tidak dapat diestimasi. Meskipun ini mudah dimengerti namun sering dilupakan. 9. Asumsi 9: The regression model is correctly specified Model regresi yang dibangun haruslah benar dalam arti sesuai dengan teori yang telah dikembangkan. Seperti telah dijelaskan bahwa statistik hanyalah untuk menguji teori 8

atau fenomena tertentu. Jadi jika menggunakan variabel yang sembarangan (atau tidak berdasarkan teori tertentu) maka model regresi yang dihasilkan juga patut dipertanyakan. 10. Asumsi 10: There is no perfect multicollinearity Tidak ada hubungan linear yang tinggi antara variabel-variabel bebas dalam model regresi. Jadi asumsi ini tentunya tidak bisa diterapkan pada regresi dengan satu variabel bebas (regresi linear sederhana). 2.1 Uji Normalitas Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masingmasing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian. Pengertian normal secara sederhana dapat dianalogikan dengan sebuah kelas. Dalam kelas siswa yang bodoh sekali dan pandai sekali jumlahnya hanya sedikit dan sebagian besar berada pada kategori sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan data yang normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan kebanyakan mengumpul di tengah. Demikian juga nilai rata-rata, modus dan median relatif dekat. Uji normalitas dapat dilakukan dengan uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat. Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian dengan metode grafik.

Jika residual tidak normal tetapi dekat dengan nilai kritis (misalnya signifikansi Kolmogorov Smirnov sebesar 0,049) maka dapat dicoba dengan metode lain yang mungkin memberikan justifikasi normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa langkah yaitu: melakukan transformasi data, melakukan trimming data outliers atau menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk Logaritma 9

natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari bentuk kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah atau menyebar ke samping kanan dan kiri. Uji asumsi normalitas untuk mendeteksi kemungkinan normalitas kesalahan penganggu. Uji ini dilakukan dengan cara uji chi square goodness of fit atau dapat dengan

yang berarti berdistribusi normal. Metode yang digunakan untuk menguji normalitas dalam penelitian ini adalah kolmogorov-smirnov. Apabila dari hasil pengujian normalitas, terlihat sebaran data variabel X1, X2, X3, X4 dan X5 mengikuti kurva normal maka dapat langsung diadakan pengujian hipotesis. Untuk menentukan posisi normal dari sebaran data, langkah awal dilakukanadalah menghitung standar deviasi. yang

SD1 = 68 % SD2 = 95% SD3 = 99,7 % normal apabila

Penentuan area ini penting, karena sebaran data yang dikatakan tersebar sebagai berikut: Sebanyak 68% dari observasi berada pada area SD1 Sebanyak 95% dari sisanya berada pada area SD2 Sebanyak 99,7% dari sisanya berada pada area SD3 yang dikatakan normal :

sebaran data

10

Apabila data tidak normal, maka diperlukan upaya untuk mengatasi seperti: memotong data yang transformasi data. out liers, memperbesar sampel, atau melakukan

Data yang tidak normal juga dapat dibedakan dari tingkat kemencengannya (skewness). Jika data cenderung

menceng ke kiri disebut positif skewness, dan jika data cenderung menceng ke kanan disebut negatif skewness. Data dikatakan normal jika datanya simetris.

2.2 Asumsi Klasik Autokorelasi Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun, pengeluaran pada bulan Februari akan rendah. Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya memerlukan uji autokorelasi. Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange

11

Multiplier. Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang 1.

Sebab-sebab Autokorelasi. 1. Inertia: Data umumnya yg digunakan berbentuk kumulatif bukan individual series. Sehingga nilai data pada satu titik lebih besar dari data sebelumnya. 2. Manipulasi Data Menggunakan data tahunan menjadi triwulanan dengan cara membagi tiga data tahunan secara langsung. Tujuan Penerapan Autokorelasi Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode (t) dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi Uji autokorelasi dilakukan dengan = 5%.menggunakan uji Durbin-Watson (D-W), dengan tingkat kepercayaan

Apabila D-W terletak antara -2 sampai +2 maka tidak ada autokorelasi (Santoso. 2002 : 219) Mendeteksi Adanya Autokorelasi. Dalam praktek scr umum, metode yg sering digunakan adalah: Durbin-Watson Method.Dalam regresi linier tidak terjadi autokorelasi jika nilai Durbin-Watson : 1,70 2,30. Akibat Autokorelasi Akibatnya adalah nilai (t) hitung akan menjadi bias pula, karena nilai (t) diperoleh dari hasil bagi Sb terhadap b (t = b/sb). Berhubung nilai Sb bias maka nilai (t) juga akan bias atau bersifat tidak pasti (misleading). ( Karena adanya masalah korelasi dapat menimbulkan adanya bias pada hasil regresi.) 2.3 Uji Multikolinearitas Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi yang 12

tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap variabel terikatnya menjadi terganggu. Sebagai ilustrasi, adalah model regresi dengan variabel bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan variabel terikatnya adalah kinerja. Logika sederhananya adalah bahwa model tersebut untuk mencari pengaruh antara motivasi, kepemimpinan dan kepuasan kerja terhadap kinerja. Jadi tidak boleh ada korelasi yang tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan kerja atau antara kepemimpinan dengan kepuasan kerja. Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau dengan melihat eigenvalues dan condition index (CI). Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut: 1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi. 2. Menambah jumlah observasi. 3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first difference delta. Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang perfect

atau eksak di antara variable penjelas yang dimasukkan ke dalam model. Sebagai gambaran penjelas

13

Konsekuensi Multikolinearitas Apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai nilai standar error-nya (Sb) nilainya, sehingga akan

koefisien regresi (b) masing-masing variabel bebas dan

cenderung bias, dalam arti tidak dapat ditentukan kepastian berpengaruh pula terhadap nilai (t). Pendeteksian Multikolinearitas Terdapat beragam cara untuk

menguji multikolinearitas, di antaranya: menganalisis Correlation,

matrix korelasi dengan Pearson Correlation atau dengan Spearmans Rho melakukan regresi partial dengan teknik auxiliary regression.

Pendapat Gujarati (1995:335) yang mengatakan bahwa bila korelasi antara dua variabel bebas melebihi 0,8 maka multikolinearitas menjadi menambahkan bahwa, apabila korelasi masalah yang serius.Gujarati juga

antara variabel penjelas tidak lebih besar

dibanding korelasi variabel terikat dengan masing-masing variable penjelas, maka dapat dikatakan tidak terdapat masalah yang serius.Dengan demikian, dapat disimpulkan bahwa apabila angka korelasi lebih kecil dari 0,8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas. Dalam kaitan adanya kolinear yang tinggi sehingga menimbulkan tidak terpenuhinya asumsi terbebas dari masalah multikolinearitas, dengan mempertimbangkan sifat data dari cross section, maka bila tujuan persamaan hanya sekedar untuk keperluan prediksi, hasil regresi dapat ditolerir, sepanjang nilai (t) signifikan. Tujuan Penerapan Multikolinearitas Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Dalam model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Uji Multikolinearitas dilakukan dengan melihat nilai tolerance dan variance inflation factor (VIF) dari hasil analisis dengan menggunakan SPSS. Apabila nilai tolerance value lebih tinggi daripada 0,10 atau VIF lebih kecil daripada 10 maka dapat disimpulkan tidak terjadi multikolinearitas (Santoso. 2002 : 206). 2.4 Uji Heteroskedastisitas Uji Heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain. Model regresi yang memenuhi

14

persyaratan adalah di mana terdapat kesamaan varians dari residual satu pengamatan ke pengamatan yang lain tetap atau disebut homoskedastisitas. Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID (nilai residualnya). Model yang baik didapatkan jika tidak terdapat pola tertentu pada grafik, seperti mengumpul di tengah, menyempit kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang dapat digunakan adalah uji Glejser, uji Park atau uji White.

Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas. Model akan menghadapi masalah heteroskedastisitas. Heteroskedastisitas

muncul apabila kesalahan (e) atau residual dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya rumus regresi diperoleh dengan asumsi bahwa variabel pengganggu (error) atau e, diasumsikan memiliki variabel yang konstan (rentangan e kurang lebih sama). Apabila terjadi varian e tidak konstan, maka kondisi tersebut dikatakan tidak homoskedastik atau mengalami heteroskedastisitas. 2.5 Uji Linearitas Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai hubungan linear 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 linear. Hubungan antar variabel yang secara teori bukan merupakan hubungan linear 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 linear atau tidak. Uji linearitas digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel yang diidentifikasikan secara teori sesuai atau tidak dengan hasil observasi yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey Test atau uji Lagrange Multiplier.

15

2.6 Uji Instrumen Penelitian

I. Reliabilitas 1. Pengertian Reliabilitas


Reliabilitas diterjemahkan dari kata reliability. Pengukuran yang memiliki reliabilitas yang tinggi maksudnya adalah pengukuran yang dapat menghasilkan data yang reliabel. Ide pokok dalam konsep reliabilitas adalah sejauh mana hasil suatu pengukuran dapat dipercaya. Hasil ukur dapat dipercaya apabila dalam beberapa kali pengukuran terhadap kelompok subjek yang sama diperoleh hasil yang relatif sama, kalau aspek yang diukur dalam diri subjek memang belum berubah. Pengertian relatif menunjukkan bahwa ada toleransi terhadap perbedaan-perbedaan kecil diantara hasil pengukuran. Bila perbedaan itu besar dari waktu ke waktu, maka hasil pengukuran itu tidak dapat dipercaya. Reliabilitas sangat era kaitannya dengan ketepatan dan penelitian pengukuran. Pengukuran dikatakan stabil jika pengukuran pada suatu objek dilakukan berulangulang pada waktu yang berbeda, menunjukkan hasil yang sama, dikatakan ekuifalen jika menunjukkan hasil pngukuran yang sama jika dilakukan oleh peneliti lain atau memakai contoh item lain serta dikatakan konsisten internal jika item-item atau indikator yang digunakan adalah konsisten satu sama lain. Tinggi rendahnya reliabilitas secara empiris ditunjukkan oleh suatu angka yang disebut nilai koefisien reliabilitas. Reliabilitas yang tinggi ditunjukkan dengan nilai rxx mendekati angka 1. Kesepakatan secara umum, reliabilitas yang dianggap sudah cukup memuaskan jika lebih besar atau sama dengan 0.07 (dalam output SPSS dapat dilihat pada nilai Alpha) Uji Reliabilitas dilakukan dengan uji Alpha Cronbach. Rumus Alpha Cronbach sebagai berikut:

Note:

16

Jika nilai alpha > 0,7 artinya reliabilitas mencukupi (sufficient reliability) sementara jika alpha > 0,80 ini mensugestikan seluruh item reliabel dan seluruh tes secara konsisten secara internal karena memiliki reliabilitas yang kuat. Atau, ada pula yang memaknakannya sebagai berikut: - Jika alpha > 0,90 maka reliabilitas sempurna Jika alpha antara 0,70 0,90 maka reliabilitas tinggi - Jika alpha antara 0,50 0,70 maka reliabilitas moderat - Jika alpha < 0,50 maka reliabilitas rendah Jika alpha rendah, kemungkinan satu atau beberapa item tidak reliabel: Segera identifikasi dengan prosedur analisis per item. Item Analysis adalah kelanjutan dari tes Aplha sebelumnya guna melihat item-item tertentu yang tidak reliabel. Lewat ItemAnalysis ini maka satu atau beberapa item yang tidak reliabel dapat dibuang sehingga Alpha dapat lebih tinggi lagi nilainya.

2. Pengujian Reliabilitas Kuisioner 2.1 Pengujian secara Eksternal a. Teknik pengukuran ulang (Test-Retest) Kuesioner diujikan sebanyak dua kali dengan responden yang sama, namun dengan waktu yang berbeda. Selang waktu yang baik adalah antara 15 30 hari. Setelah diperoleh hasil dari kedua pengukuran, maka keduanya dikorelasikan dengan korelasi product moment. Kuesioner tersebut akan reliable bila hasil r hitung lebih besar dari r tabel. b. Teknik Belah Dua Mengujicobakan kuesioner kepada responden, kemudian dihitung validitas itemnya. Item yang valid dikumpulkan menjadi satu, item yang tidak valid dibuang. Membagi item yang valid menjadi dua dengan cara random. Skor untuk masingmasing kelompok dijumlah. Sehingga terdapat dua jumlah total yakni dari bagian pertama dan jumlah total bagian kedua, Mengkorelasikan kedua jumlah total dari bagian pertama dan kedua dengan korelasi product moment. Kuesioner dikatakan reliable jika angka korelasi belah dua lebih rendah dari angka korelasi total. c. Teknik Pararel/ equivalent form atau alternative form

17

Membuat dua kuesioner yang digunakan untuk mengukur aspek yang sama. Kedua kuesioner tersebut diberikan pada responden yang sama kemudian dicari validitasnya. Untuk menghitung reliabilitas perlu mengkorelasikan skor total dari kedua jenis kuesioner tersebut dengan teknik korelasi product moment. Kuesioner yang reliabel bila r hitung lebih besar dari r tabel.

2.2 Pengujian secara Internal Pengujian reliabilitas kuesioner dilakukan dengan menguji coba kuesioner hanya satu kali, kemudian dilakukan analisis untuk memprediksi reliabilitas kuesioner tersebut. Teknik yang dapat digunakan adalah :Teknik belah dua Spearman Brown (split half), Rumus KR 20, Rumus KR 21, Analisis varians Hyot (Anova Hyot), Alfa Cronbach. Secara umum, uji reliabilitas kuesioner penelitian dapat dilakukan dengan dua cara, yakni:

a. Repeated Measured (pengukuran berulang) Teknik ini dapat dilakukan dengan cara test-retest, equibalent dan gabunga keduanya. Terdapat tiga pilihan korelasi untuk teknik uji ini yaitu: korelasi product moment dari Pearson, Kendals tau-b dan Spearman. Untuk menentukan kuesioner reliable dengan cara membandingkan nilai r hitung dan r tabel. Data tersebut reliable bila r hitung lebih besar dari pada r table. b. One Shot (sekali ukur) Dapat dilakukan dengan software SPSS, dengan interpretasi sebagai berikut: untuk keputusan kelompok, variable dikatakan reliable bila mempunyai koefisien reliabilitas alpha sebesar 0.5 atau lebih, sedangkan untuk pengambilan keputusan individu maka reliabilitas diperbolehkan adalah sebesar 0.90

II. Validitas
Validitas adalah ketepatan atau kecermatan suatu instrumen dalam mengukur apa yang ingin diukur. Dalam pengujian instrumen pengumpulan data, validitas bisa dibedakan menjadi validitas faktor dan validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu faktor (antara faktor yang satu dengan yang lain ada kesamaan). Pengukuran validitas faktor ini dengan cara mengorelasikan antara skor faktor (penjumlahan item dalam satu faktor) dengan skor total faktor (total keseluruhan faktor), sedangkan pengukuran validitas item dengan cara mengorelasikan antara skor item dengan skor total item. 18

Validitas item ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor total), perhitungan dilakukan dengan cara mengorelasikan antara skor item dengan skor total item. Bila kita menggunakan lebih dari satu faktor berarti pengujian validitas item dengan cara mengorelasikan antara skor item dengan skor faktor, kemudian dilanjutkan dengan mengorelasikan antara skor item dengan skor total faktor (penjumlahan dari beberapa faktor). Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi yang digunakan untuk mengukur tingkat validitas suatu item dan untuk menentukan apakah suatu item layak digunakan atau tidak. Dalam penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05, artinya suatu item dianggap valid jika berkorelasi signifikan terhadap skor total. Atau jika melakukan penilaian langsung terhadap koefisien korelasi, bisa digunakan batas minimal korelasi 0,30. Menurut Azwar (1999) semua item yang mencapai koefisien korelasi minimal 0,30 daya pembedanya dianggap memuaskan. Pada program SPSS teknik pengujian yang sering digunakan para peneliti untuk uji validitas adalah menggunakan korelasi Bivariate Pearson (Produk Momen Pearson) atau Corrected Item-Total Correlation. Validitas dapat dihitung dengan rumus:

Keterangan: rxy = Koofisien korelasi antara variable X dan variable Y. N= Jumlah siswa uji coba. X= Skor item. Y= Skor

Sementara itu, menurut Azwar (1996) validitas dibagi menjadi : a. Validitas isi Validitas isi menunjukkan sejauh mana item-item dalam test dapat mencakup keseluruhan kawasan isi yang akan diukur oleh test tersebut. Pengertian mencakup keseluruhan kawasan isi tidak hanya berarti komprehensif akan tetapi isinya juga harus relevan dan tidak keluar dari batasan. Untuk mengetahui validitas isi, dapat dilakukan dengan melihat apakah item-item dalam test telah ditulis sesuai dengan blue print. Artinya, apakah sesuai dengan batasan

19

dominan ukur yang telah ditetapkan dan sesuai ukuran dengan indikator perilaku yang diungkapkan. b. Validitas konstruk Validitas konstruk adalah validitas yang menunjukkan seberapa jauh suatu test mengukur traid atau konstruk teoritis yang akan diukur. Pengujian validitas konstruk dapat dilakukan dengan analisis statistika seperti analisis faktor. Menurut Azwar, suatu item dikatakan valid apabila nilai koefisiennya lebih besar atau sama dengan o,3. III. CONTOH UJI RELIABILITAS INSTRUMEN PENELITIAN DENGAN CRONBACH ALPHA

Rumus untuk menghitung koefisien reliabilitas instrument dengan menggunakan Cronbach Alpha adalah sebagai berikut:

No. Resp 1 2 3 4 5 6 7 8 9

Jawaban Angket 1 4 3 2 3 3 4 2 4 4 2 4 3 2 4 4 3 3 4 4 3 3 4 2 4 4 3 3 4 4 4 4 4 2 4 4 4 4 2 2 5 4 4 4 4 5 4 5 4 4 Total 19 18 12 19 20 18 17 18 18 Total Kuadrat 361(a) 324 144 361 400 324 289 324 324

20

10 Jumlah Jumlah kuadrat

4 33 115(b)

4 35 127

4 35 127

4 34 124

4 42 178

20 179 115

400 3251(c)

Keterangan: 361(a) 192 115(b) 42+32+22+32+32+42+22+42+42+42 3251(c) 361+324+144+361+400+324+289+324+324+400


2

Menghitung Total Varians Butir


2

Contoh menghitung varians Butir (

) pertama

Varians butir ke-2 sampai ke-5 dapat dihitung dengan cara yang sama seperti menghitung varians butir I. Dengan demikian, total varians butir:

= 0,61+0,45+0,45+0,84+0,16 = 2,51
2

Menghitung Total Varians

Menghitung Koefisien Cronbach Alpha

21

Untuk menjadi perhatian a. Nilai-nilai untuk pengujian reliabilitas berasal dari skor-skor item angket yang valid. Item yang tidak valid tidak dilibatkan dalam pengujian reliabilitas. b. Instrumen memiliki tingkat reliabilitas yang tinggi jika nilai koefisien yang diperoleh >0,60 (Imam Ghozali, 2002, Aplikasi Analisis Multivariat dengan Program SPSS, Semarang: Badan Penerbit Universitas Dipenogoro, hlm. 133). Ada pendapat lain yang mengemukakan baik/buruknya reliabilitas instrumen dapat dikonsultasikan dengan nilai r tabel. c. Dari contoh di atas, dengan n=10 maka nilai r tabel pada taraf signifikan ()=0,05,adalah 0,632. Dengan demikian nilai r-hitung 0,58<r-tabel

0,632,perbandingan ini menunjukkan hasil yang tidak signifikan, atau dengan kata lain reliabilitas instrumen buruk atau data hasil instrumen angket kurang dapat dipercaya.

d.

Interpretasi reliabilitas bisa juga menggunakan pertimbangan gambar di bawah ini

22

Bab 3 Penutup

3.1 Kesimpulan

Uji asumsi klasik merupakan terjemahan dari clasical linear regression model (CLRM) yang merupakan asumsi yang diperlukan dalam analisis regresi linear dengan ordinary least square (OLS). CLRM juga sering disebut dengan The Gaussian Standard, yang sebenarnya terdiri dari 10 item yakni : Asumsi 1: Linear Regression Model. Asumsi 2: X values are fixed in repeated sampling. Asumsi 3: Zero mean value of disturbance ui Asumsi 4: Homoscedasticity or equal variance of ui Asumsi 5: No autocorrelation between the disturbances Asumsi 6 : Zero covariance between ui and Xi Asumsi 7: The number of observations n must be greater than the number of parameters to be estimated Asumsi 8: Variability in X values Asumsi 9: The regression model is correctly specified Asumsi 10: There is no perfect multicollinearity Reliabilitas diterjemahkan dari kata reliability. Pengukuran yang memiliki reliabilitas yang tinggi maksudnya adalah pengukuran yang dapat menghasilkan data yang reliabel. Ide pokok dalam konsep reliabilitas adalah sejauh mana hasil suatu pengukuran dapat dipercaya. Hasil ukur dapat dipercaya apabila dalam beberapa kali pengukuran terhadap kelompok subjek yang sama diperoleh hasil yang relatif sama, kalau aspek yang diukur dalam diri subjek memang belum berubah. Validitas adalah ketepatan atau kecermatan suatu instrumen dalam mengukur apa yang ingin diukur. Dalam pengujian instrumen pengumpulan data, validitas bisa dibedakan menjadi validitas faktor dan validitas item. Validitas faktor diukur bila item yang disusun menggunakan lebih dari satu faktor (antara faktor yang satu dengan yang lain ada kesamaan).

23

Daftar Pustaka

Arikunto, Suharsimi (2003) Dasar-dasar Evaluasi Pendidikan, Jakarta: Bumi Aksara. Azwar, Saifuddin ( 2003) Reliabilitas dan Validitas, Yogyakarta: Pustaka Pelajar http://www.pascaldomain.asia.

24