25

BAB III
LANDASAN TEORI

3.1 Analisis Deskriptif
Deskriptif statistik adalah statistik yang digunakan
untukmendeskripsikan suatu masalah. Dengan kata lain, deskriptif statistik adalah
statistik yang berfungsi untuk menerangkan keadaan atau gejala atau persoalan
agar mudah dipahami. Penarikan kesimpulan pada statistik deskriptif hanya
ditujukan pada sekumpulan data yang ada. Statistik deskriptif merupakan analisis
untuk menjelaskan, meringkas, mereduksi, menyederhanakan, mengorganisasi
dan menyajikan data kedalam bentuk yang teratur, sehingga mudah dibaca,
dipahami dan disimpulkan (Wiyono,6:2001).
Macam-macam analisis deskriptif untuk ukuran numerik dibagi menjadi
dua, yaitu ukuran pemusatan data dan ukuran penyebaran data.
1. Ukuran Pemusatan Data
Ukuran pemusatan atau ukuran lokasi adalah beberapa ukuran yang
menyatakan dimana distribusi data tersebut terpusat (Howell, 1982). Ukuran
pemusatan berupa nilai tunggal yang bisa mewakili suatu kumpulan data dan
karakteristiknya (menunjukkan pusat dari nilai data).
Jenis-jenis ukuran pemusatan antara lain:
a. Rata-rata (mean)
Rata-rata merupakan ukuran pemusatan yang sangat sering digunakan.
Keuntungan dari menghitung rata-rata adalah angka tersebut dapat
digunakan sebagai gambaran atau wakil dari data yang diamati. Rata-rata
peka dengan adanya nilai ekstrim atau pencilan.
b. Median atau nilai tengah
Median merupakan suatu nilai ukuran pemusatan yang menempati posisi
tengah setelah data diurutkan.
c. Modus
Modus adalah nilai yang paling sering muncul dari serangkaian data.
Modus tidak dapat digunakan sebagai gambaran mengenai data.
26

2. Ukuran Penyebaran
Ukuran penyebaran adalah suatu ukuran baik parameter atau statistika
untuk mengetahui seberapa besar penyimpangan data. Melalui ukuran
penyebaran dapat diketahui seberapa jauh data-data menyebar dari titik
pemusatannya.
Jenis-jenis ukuran penyebaran antara lain:
a. Rentang (R)
Rentang menyatakan ukuran yang menunjukkan selisih nilai antara
maksimum dan minimum. Rentang cukup baik digunakan untuk
mengukur penyebaran data yang simetrik dan nilai datanya menyebar
merata. Ukuran ini menjadi tidak relevan jika nilai data maksimum dan
minimumnya merupakan nilai ekstrim.
b. Variansi (S
2
atau
2
)
Variansi adalah ukuran penyebaran data yang mengukur rata-rata kuadrat
jarak seluruh titik pengamatan dari nilai tengah.
c. Simpangan baku (s)
Simpangan baku menunjukkan rata-rata penyimpangan data dari harga
rata-ratanya. Simpangan baku merupakan akar pangkat dua dari variansi.

3.2 Analisis Regresi
Variabel dependen atau variabel terikat adalah variabel yang dipengaruhi
atau yang menjadi akibat, karena adanya variabel bebas. Sedangkan variabel
independen atau variabel bebas adalah variabel yang mempengaruhi atau yang
menjadi sebab perubahannya atau timbulnya variabel terikat (Sugiyono, 2007:4)
Dalam mengkaji hubungan antara beberapa variabel menggunakan
analisis regresi, terlebih dahulu ditentukan satu variabel dependen dan satu atu
lebih variabel independen. Jika ingin dikaji hubungan atau pengaruh satu variabel
independen terhadap variabel dependen, maka model regresi yang digunakan
adalah model regresi linear sederhana. Namun jika ingin dikaji hubungan atau
pengaruh dua atau lebih variabel independen terhadap variabel dependen, maka
27

model regresi yang digunakan adalah model regresi linear berganda (multiple
linear regression model).
Untuk mendapatkan model regresi linear sederhana maupun model
regresi linear berganda dapat diperoleh dengan melakukan estimasi terhadap
parameter-parameternya menggunakan metode tertentu. Metode yang dapat
digunakan untuk mengestimasi parameter model regresi linear sederhana maupun
model regresi linear berganda adalah dengan metode kuadrat terkecil (ordinary
least square) dan metode kemungkinan maksimum (maximum likelihood
estimation).

3.2.1 Pengertian Analisis Regresi Linear Berganda
Analisis regresi linear berganda bertujuan untuk mencari bentuk
hubungan (relasi) linear antara satu variabel dependen Y dan p variabel
independen

, . . . ,

.

3.2.2 Model Regresi Linear Berganda
Bentuk umum model regresi linear berganda dengan p variabel
independen adalah adalah seperti pada persamaan berikut

dengan :

: variabel dependen untuk pengamatan ke-i, i = 1, 2, ..., n

, . . . ,

: parameter

, . . . ,

: variabel independen

: sisa (error) untuk pengamatan ke-i yang diasumsikan

berdistribusi normal yang saling bebas dan identik
dengan rata-rata 0 (nol) dan variansi

Dalam notasi matriks persamaan di atas dapat ditulis menjadi persamaan
berikut

28

dengan :
(

)
(

) (

)
: vektor variabel dependen berukuran n x 1
X : matriks variabel independen berukuran n x p
: vektor parameter berukuran p x 1
: vektor error berukuran n x 1

3.2.3 Asumsi-Asumsi Model Regresi Linear Berganda
Menurut Gujarati (2003:178) asumsi-asumsi pada model regresi linear
berganda adalah sebagai berikut:
1. Model regresinya adalah linear dalam parameter.
2. Nilai rata-rata dari error adalah nol.
3. Variansi dari error adalah konstan (homoskedastik).
4. Tidak terjadi autokorelasi pada error.
5. Tidak terjadi multikolinearitas pada variabel independen.
6. Error berdistribusi normal.

3.2.4 Pengujian Asumsi Klasik Model Regresi Linear Berganda
Pengujian asumsi klasik bertujuan untuk mengetahui apakah nilai
residual berdistribusi normal dan hasil estimasi regresi yang dilakukan benar-
benar bebas dari adanya gejala multikolinearitas, gejala autokorelasi dan gejala
heteroskedastisitas.
Model regresi akan dapat dijadikan alat estimasi yang tidak bias jika
telah memenuhi persyaratan BLUE (Best Linear Unbiased Estimator), yaitu
residual berdistribusi normal, tidak terdapat multikolinearitas, tidak terdapat
heteroskedastisitas dan tidak terdapat autokorelasi (Sudrajat, 1988:164).
Jika data tidak berdistribusi normal, maka model regresi linear yang
digunakan kurang baik. Jika terdapat multikolinearitas, maka akan sulit untuk
29

mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat
signifikansi koefisien regresi menjadi rendah. Jika terdapat heteroskedastisitas,
maka varian tidak konstan, sehingga dapat menyebabkan biasnya standar error.
Dengan adanya autokorelasi mengakibatkan penaksir masih tetap bias dan masih
tetap konsisten hanya saja menjadi tidak efisien. Oleh karena itu, uji asumsi klasik
perlu dilakukan.
Ada empat uji asumsi klasik yang harus dilakukan, diantaranya uji
normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.
Tidak ada ketentuan yang pasti tentang urutan uji mana yang harus dipenuhi
terlebih dahulu.
1. Uji Normalitas
Uji normalitas bertujuan untuk melihat apakah nilai residual
berdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai
residual yang berdistribusi normal. Uji normalitas bukan dilakukan pada
masing-masing variabel, tetapi pada nilai residualnya.
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel pengganggu atau residual memiliki distribusi normal. Seperti
diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti
distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi tidak
valid untuk jumlah sampel kecil (Ghozali, 2011:160).
Ada dua cara untuk mendeteksi apakah residual berdistribusi normal
atau tidak yaitu :
a. Analisis Grafik
Membandingkan distribusi komulatif dari distribusi normal pada normal
probability plot. Distribusi normal akan membentuk satu garis lurus
diagonal dan ploting data residual akan dibandingkan dengan garis
diagonal. Jika distribusi data residual normal maka garis yang
menggambarkan data sesungguhnya akan mengikuti garis diagonalnya.
b. Uji Statistik
30

Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan
skewness dari residual. Nilai z statistik untuk skewness dapat dihitung
dengan rumus

Sedangkan nilai z kurtosis dapat dihitung dengan rumus

2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antarvariabel independen (bebas). Model regresi
yang baik seharusnya tidak terjadi korelasi diantara variabel independen
(bebas). Jika variabel independen saling berkorelasi, maka variabel-variabel
ini tidak orthogonal. Variabel orthogonal adalah variabel independen yang
nilai korelasi antar sesama variabel independen sama dengan nol (Ghozali,
2011:105).
Untuk mendeteksi ada atau tidaknya multikolinearitas di dalam model
regresi adalah sebagai berikut:
a. Nilai R
2
yang dihasilkan oleh suatu estimasi model regresi empiris sangat
tinggi, tetapi secara individual variabel-variabel independen banyak yang
tidak signifikan mempengaruhi variabel dependen (terikat).
b. Menganalisis matriks korelasi variabel-variable independen (bebas). Jika
antarvariabel independen ada korelasi yang cukup tinggi (umumnya di
atas 0,90), maka hal ini merupakan indikasi adanya multikolinearitas.
Tidak adanya korelasi yang tinggi antarvariabel independen bukan berarti
bebas dari multikolinearitas. Multikolinearitas dapat disebabkan karena
adanya efek kombinasi dua atau lebih variabel independen.
c. Multikolinearitas dapat juga dilihat dari (1) nilai tolerance dan lawannya
(2) VIF (Variance Inflation Factor). Kedua ukuran ini menunjukkan
setiap variabel independen manakah yang dijelaskan oleh variabel
31

independen lainnya. Tolerance mengukur variabilitas variabel
independen yang terpilih yang tidak dijelaskan oleh variabel independen
lainnya. Jadi nilai tolerance yang rendah sama dengan VIF tinggi (karena
VIF = 1/Tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan
adanya multikolinearitas adalah nilai Tolerance 0,10 atau sama dengan
nilai VIF 10.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan variansi dari residual satu pengamatan ke
pengamatan yang lain. Jika variansi dari residual satu pengamatan ke
pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda
disebut Heteroskedastisitas. Model regresi yang baik adalah yang tidak terjadi
Heteroskedastisitas atau yang Homoskedastisitas (Ghozali, 2011:139).
Beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas
antara lain:
a. Melihat grafik plot antara nilai prediksi variabel dependen dengan
residualnya. Deteksi ada tidaknya heteroskedastisitas dapat dilakukan
dengan melihat ada atau tidakna pola tertentu pada grafik scatterplot.
b. Uji Park
Menurut Ghozali (2011:141) Park mengemukakan metode bahwa
variansi (s
2
) merupakan dungsi dari variabel-variabel independen yang
dinyatakan dalam persamaan

Persamaan ini dijadikan linear dalam bentuk persamaan logaritma
sehingga menjadi

Karena

umumnya tidak diketahui maka dapat ditaksir dengan

menggunakan residual U
t
sebagai proksi sehingga persamaan menjadi

c. Uji Glejser
32

Seperti halnya Uji Park, Glejser mengusulkan untuk meregresi nilai
absolut residual terhadap variabel independen (Gujarati, 2003) dengan
persamaan regresi
|

Jika variabel independen signifikan secara statistik mempengaruhi
variabel dependen, maka ada indikasi terjadi Heteroskedastisitas.
d. Uji White
Pada dasarnya uji White mirip dengan kedua uji Park dan Glejser.
Menurut White, uji ini dapat dilakukan dengan meregresi residual
kuadrat (

) dengan variabel independen, variabel independen kuadrat

dan perkalian (interaksi) variabel independen. Misalkan kita punya dua
variabel independen X
1
dan X
2
maka persamaan regresinya adalah

4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi
linear ada korelasi antara kesalahan pengganggu pada periode t dengan
kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi,
maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena
observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya.
Masalah ini timbul karena residual (kesalahan penganggu) tidak bebas dari
satu observasi ke observasi lainnya (Ghozali, 2011:110).
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau
tidaknya autokorelasi, yaitu:
a. Uji Durbin-Watson (DW test)
Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu dan
mensyaratkan adanya intercept dalam model regresi dan tidak ada
variabel lag di antara variabel independen.
Hipotesis yang akan diuji adalah :
H
0
: tidak ada autokorelasi ( r = 0)
H
1
: ada autokorelasi (r 0)
33

Pengambilan keputusan ada atau tidaknya autokorelasi akan dijelaskan
pada tabel 3-1



Tabel 3-1. Uji Statistik Durbin-Watson
Hipotesis nol Keputusan Nilai statistik DW
Tidak ada autokorelasi positif Ditolak 0 < d < d
L

Tidak ada autokorelasi positif
Tidak dapat
diputuskan
d
L
d d
U
Tidak ada autokorelasi negatif Ditolak 4 d
L
< d < 4
Tidak ada autokorelasi negatif
Tidak dapat
diputuskan
4 d
U
d 4 d
L
Tidak ada autokorelasi, positif
atau negatif
Tidak ditolak d
U
< d < 4 d
U
b. Uji Lagrange Multiplier (LM test)
Uji autokorelasi dengan LM test terutama digunakan unutk sample besar
di atas 100 observasi. Uji ini lebih tepat digunakan dibandingkan DW test
terutama bila sample yang akan digunakan relatif besar dan derajat
autokorelasi lebih dari satu. Uji LM akan menghasilkan statistik Breusch-
Godfrey. Pengujian Breusch-Godfrey (BG test) dilakukan dengan
meregresi residual menggunakan autoregresive model dengan orde p :

c. Uji Statistics Q : Box Pierce dan Ljung Box
Uji Box Pierce dan Ljung Box digunakan untuk melihat autokorelasi
dengan lag lebih dari dua (by default SPSS menguji sampai 16 lag).
Dikatakan terjadi autokorelasi jika jumlah lag hasil statistik Ljung Box
yang signifikan lebih dari dua. Hasil uji Ljung Box juga konsisten
dengan uji Durbin-Watson maupun uji Breusch-Godfrey.
d. Run Test
34

Run test sebagai bagian dari statistik non-parametrik dapat pula
digunakan untuk menguji apakah antarresidual terdapat korelasi yang
tinggi. Jika antarresidual tidak terdapat hubungan korelasi maka
dikatakan bahwa residual adalah acak atau random. Run test digunakan
untuk melihat apakah data residual terjadi secara random atau tidak
(sistematis). Jika nilai probabilitas hasil output SPSS signifikan pada
0,05 maka dapat disimpulkan bahwa residual tidak random atau terjadi
autokorelasi antarnilai residual.
3.2.5 Pengujian Parameter Model Regresi Linear Berganda
Pengujian parameter bertujuan untuk mengetahui ada atau tidaknya
pengaruh variabel independen terhadap variabel dependen, baik secara serentak
maupun secara parsial.
1. Pengujian parameter secara serentak (simultan)
Prosedur pengujian parameter secara simultan adalah sebagai berikut.
a. Membuat hipotesis

Tidak semua

sama dengan nol, untuk k = 1, 2, ..., p

atau

Variabel

secara simultan tidak berpengaruh terhadap

variabel dependen

Variabel

secara simultan berpengaruh terhadap

variabel dependen
b. Menentukan tingkat signifikansi ()
Tingkat signifikansi () yang seringkali digunakan dalam penelitian
adalah 5%.
c. Menentukan statistik uji
Statistik uji yang digunakan adalah

dengan :
RKR : Rerata Kuadrat Regresi
35

RKG : Rerata Kuadrat Galat
d. Menentukan daerah kritik (penolakan

)
Daerah kritik yang digunakan adalah menolak

jika


Dengan

disebut dengan F tabel.
Selain dari daerah kritik di atas, dapat juga digunakan daerah kritik yang
lain yaitu jika nilai probabilitas (Sig.) < tingkat signifikansi (), maka

ditolak.
e. Menarik kesimpulan
2. Pengujian parameter secara individu (parsial)
a. Membuat hipotesis

, untuk k = 1, 2, ..., n
atau

Variabel independen ke-k tidak berpengaruh terhadap variabel

dependen

Variabel independen ke-k berpengaruh terhadap variabel dependen

b. Menentukan tingkat signifikansi ()
Tingkat signifikansi () yang seringkali digunakan dalam penelitian
adalah 5%.
c. Menentukan statistik uji
Statistik uji yang digunakan adalah

dengan :

: nilai taksiran parameter

(diperoleh dari metode OLS)

: standar deviasi nilai taksiran parameter

d. Menentukan daerah kritik (penolakan

)
Daerah kritik yang digunakan adalah menolak

jika

atau

Dengan

disebut dengan t tabel.
36

Selain dari daerah kritik di atas, dapat juga digunakan daerah kritik yang
lain yaitu jika nilai probabilitas (Sig.) < tingkat signifikansi (), maka

ditolak.
e. Menarik kesimpulaneptor KB adalah Pasangan Usia Subur (PUS) yang salah
seorang dari padanya menggunakan salah satu cara atau alat kontrasepsi dengan
tujuan untuk pencegahan kehamilan baik melalui program maupun non