BAB 2

TINJAUAN TEORITIS

2.1. Analisis Korelasi

Analisis korelasi adalah metode statistika yang digunakan untuk menentukan kuatnya atau

derajat hubungan linier antara dua variabel atau lebih. Semakin nyata hubungan linier (garis

lurus), maka semakin kuat atau tinggi derajat hubungan garis lurus antara kedua variabel atau

lebih. Ukuran untuk derajat hubungan garis lurus ini dinamakan koefisien korelasi.

Korelasi dilambangkan dengan r dengan ketentuan nilai r tidak lebih dari harga (-

1≤ r ≤ 1). Apabila nilai r = -1 artinya korelasi negatif sempurna; r = 0 artinya tidak ada

korelasi; dan r = 1 artinya korelasinya sangat kuat.

Tabel 2.1
Interpretasi Koefisien Korelasi Nilai r
Interval Koefisien Tingkat Hubungan

0,800 – 1,000 Sangat Kuat

0,600 – 0,799 Kuat

0,400 – 0,599 Cukup Kuat

0,200 – 0,399 Lemah

0,000 – 0,199 Sangat Lemah

Universitas Sumatera Utara

 Analisa korelasi berganda berfungsi untuk mencari besarnya hubungan antara dua

variabel bebas (X) atau lebih secara simultan dengan variabel terikat (Y). rumus korelasi

berganda adalah sebagai berikut :

rx21 y rx22 y 2rx1 y rx2 y rx1x2

Rx1. x2 y.
1 rx21x2

n X 1Y X1 Y
rx1 y
2 2 2
n X1 X1 n Y2 Y

n X 2Y X2 Y
rx2 y
2 2 2
n X2 X2 n Y2 Y

n X1 X 2 X1 X2
rx1x2
2 2 2 2
n X1 X1 n X2 X2

Selanjutnya untuk mengetahui signifikansi korelasi ganda bandingkan antara nilai

probabilitas 0,05 dengan nilai probabilitas Sig sebagai berikut :

Hipotesis :

H0 : Variabel X 1 dan X 2 berhubungan secara simultan dan signifikan terhadap variabel Y

H1 : Variabel X 1 dan X 2 tidak berhubungan secara simultan dan signifikan terhadap

variabel Y

Dasar pengambilan keputusan :

Jika nilai probabilitas 0,05 lebih kecil atau sama dengan nilai probabilitas Sig (0,05 ≤

Sig) maka H0 diterima dan H1 ditolak, artinya tidak signifikan.

Jika nilai probabilitas 0,05 lebih besar dengan nilai probabilitas Sig (0,05 > Sig) maka

H0 ditolak dan H1 diterima, artinya signifikan.

Universitas Sumatera Utara

2.2. Uji Koefisien Determinasi (R-square)

Koefisien determinasi digunakan untuk melihat seberapa besar variabel-variabel independen

secara bersama mampu memberikan penjelasan mengenai variabel dependen dimana nilai R2

berkisar antara 0 sampai 1(0≤R2≤1). Semakin besar nilai R2, maka semakin besar variasi

variabel dependen yang dapat dijelaskan oleh variasi variabel – variabel independen.

Sebaliknya jika R2 kecil, maka akan semakin kecil variasi variabel dependen yang dapat di

jelaskan oleh variabel independen.

2.3. Analisis Regresi Linier Berganda

Regresi linier berganda adalah analisa regresi yang menjelaskan hubungan antara variabel

dependen atau variabel tak bebas dengan dua atau lebih variabel independen atau variabel

bebas. Dimana ada kalanya persamaan regresi tidak hanya dipengaruhi oleh satu faktor dalam

menganalisanya, tetapi dapat juga dipengaruhi dua atau lebih faktor yang mempengaruhinya.

Maka regresi linier yang mengandung lebih dari satu peubah bebas digunakan regresi linier

berganda.

Regresi linier berganda hampir sama dengan regresi linier sederhana, hanya saja pada

regresi linier berganda variabel bebasnya lebih dari satu. Tujuan analisa regresi linier

berganda adalah untuk mengukur intensitas hubungan dua variabel atau lebih dan membuat

perkiraan nilai Y atas nilai X. regresi linier berganda juga berguna untu mencari pengaruh

dua variabel bebas atau lebih terhadap variabel terikatnya, dengan demikian regresi linier

Universitas Sumatera Utara

berganda dapat digunakan untuk penelitian yang menyertakan beberapa variabel sekaligus.

Bentuk umum model regresi linier untuk populasi adalah :

Yˆ 1 X1 2 X2 ... n Xn

Model di atas merupakan model regresi untuk populasi, sedangkan apabila penulis

hanya menarik sebagian (berupa sampel) dari populasi acak dan tidak mengetahui regresi

populasi perlu diduga berdasarkan model regresi sampel, sebagai berikut :

Yˆ a b1 X 1i b2 X 2i ... bn X n

Persamaan penduga regresi linier berganda dengan dua variabel bebas adalah :

Yˆ a b1 X 1 b2 X 2

Dimana;

Ŷ = Besarnya Permintaan Asuransi Mitra Beasiswa Berencana/ Premi (Rupiah)

a = Intercept

X1 = Tingkat Pendapatan Masyarakat (Rupiah)

X2 = Tingkat Pendidikan Masyarakat (Variabel Dummy)

b1 ,b2 = Koefisien Regresi

= Error

Nilai a,b1 dan b2 akan diperoleh dari tiga persamaan normal berikut :

Y an b X1 b X2

X 1Y1 a X1 b1 X 12 b2 X1 X 2

X 2Y a X2 b1 X1 X 2 b2 X 22

Koefisien a,b1 dan b2 dapat dihitung dengan rumus sebagai berikut :

Universitas Sumatera Utara

 a Y b1 X 1 b2 X 2

X 22 X 1Y X1 X 2 X 2Y
b1 2
X 12 X 22 X1X 2

X 12 X 2Y X1 X 2 X 2Y
b2 2
X 12 X 22 X1X 2

2.4. Uji Persamaan Linier Berganda

2.4.1. Uji t-statistik

Uji t-statistik atau t-hitung merupakan pengujian untuk mengetahui apakah masing- masing

koefisien regresi signifikan atau tidak terhadap variabel dependen. Dengan menganggap

variabel independen lainya konstan.

Nilai t-hitung diperoleh dengan rumus:

(bi b)
t-hitung =
S e (bi )

Dimana :

bi = koefisien variabel ke – i

b = nilai hipotesis nol

Se (bi) = simpangan baku dari variabel independen ke-i

Universitas Sumatera Utara

 Ho diterima

Ho ditolak Ho ditolak

t-tabel 0 t-tabel

Gambar 2.1 Kurva Uji t-statistik

0

Dalam uji t ini digunakan perumusan bentuk hipotesis sebagai berikut :

H0 : bi = b

H1 : bi ≠ b

Dimana bi adalah koefisien variabel independen ke-i nilai parameter hipotesis, dan biasanya b

dianggap = 0. Artinya tidak ada pengaruh variabel Xi terhadap Y.

Pengujian dilakukan melalui uji-t dengan membandingkan t-statistik dengan t-tabel.

Apabila hasil perhitungan menunjukkan :

a. H0 diterima dan H1 ditolak apabila t-hitung ≤ t-tabel dengan tingkat kepercayaan sebesar

(α). Artinya variasi variabel bebas tidak dapat menerangkan variabel terikat, dimana

tidak terdapat pengaruh variabel bebas terhadap variabel terikat. Pengujian dilakukan

dengan tingkat kepercayaan sebesar (α).

b. H0 ditolak dan H1 diterima apabila t-hitung > t-tabel dengan tingkat kepercayaan (α).

Artinya variasi variabel bebas dapat menerangkan variabel terikat, dimana terdapat

pengaruh variabel bebas terhadap variabel terikat. Pengujian ini dilakukan dengan

tingkat kepercayaan sebesar (α).

Universitas Sumatera Utara

2.4.2. Uji F-statistik

Uji F-statistik atau F-hitung ini adalah pengujian yang bertujuan untuk mengetahui seberapa

besar pengaruh koefisien regresi secara bersama-sama terhadap variabel independen. Nilai F-

hitung dapat diperoleh dengan rumus:

R 2 /(k 1)
F-hitung =
(1 R 2 ) /(n k )

Dimana:

R2 : Koefisien determinasi

k : Jumlah variabel independen

n : Jumlah sampel

H0 diterima

H0 ditolak

0 F-tabel

Gambar 2.2 Kurva Uji F-statistik

Untuk uji F-statistik ini digunakan hipotesis sebagai berikut:

H0 : b1 = b2 = bn………..bn = 0 (tidak ada pengaruh)

H1 : b1 ≠ b2 ≠ 0…………bi = 1 (ada pengaruh)

Universitas Sumatera Utara

Kriteria pengambilan keputusan:

H0 : b1 = b2 = 0, H0 diterima (F-hitung ≤ F-tabel) artinya variabel independen secara bersama-

sama tidak berpengaruh nyata terhadap variabel dependen.

H1 : b1 ≠ b2 ≠ 0, H1 diterima (F-hitung > F-tabel) artinya variabel independen secara bersama

sama berpengaruh nyata terhadap variabel dependen.

2.5. Uji Penyimpangan Asumsi Klasik

2.5.1. Uji Multikolinieritas

Multikolinearitas adalah alat yang digunakan untuk mengetahui apakah ada hubungan yang

kuat (kombinasi linier) diantara variabel independen. Multikolinieritas dikenalkan oleh

Ragnar Frisch (1934). Suatu model regresi linier akan menghasilkan estimasi yang baik

apabila model tersebut tidak mengandung multikolinieritas. Multikolinearitas terjadi karena

adanya hubungan yang kuat antara sesama variabel independen dari suatu model estimasi.

Adanya multikolinieritas ditandai dengan:

Variansi besar

Interval kepercayaan lebar (standard error tidak terhingga)

Tidak ada satupun t-statistik yang signifikan pada α = 1%, α = 5%, α = 10%

Terjadi perubahan tanda atau berlawanan dengan teori estimasi

R2 sangat tinggi

Universitas Sumatera Utara

 Ada banyak uji formal untuk mendeteksi keberadaan multikolinieritas yang

dapat dilakukan, tetapi dalam tugas akhir ini hanya akan diberikan uji formal yang sangat

populer, dan tersedia dalam paket program SPSS yaitu:

Uji Eigenvalues dan Conditional Index, multikolinieritas ditenggarai ada di

dalam persamaan regresi bila nilai Eigenvalues mendekati nol. Dan jika

Conditional Index berada antara nilai 10 sampai 30 maka model mengandung

multikolinieritas.

Melihat nilai Variance Inflation Factor (VIF) dan Tolerance (TOL).

Multikolinieritas tidak ada jika nilai VIF dan TOL mendekati angka 1.

2.5.2. Uji Heterokedastisitas

Heterokedastisitas terjadi apabila variabel pengganggu (Error Term) tidak mempunyai varian

yang konstan (sama) untuk semua observasi sehingga residual variabel pengganggu tidak

2 2
bernilai nol atau E i . Ini merupakan pelanggaran salah satu asumsi klasik tentang

model regresi linier berdasarkan metode kuadrat terkecil biasa. Heterokedastisitas pada

umumnya lebih banyak ditemui pada data cross section yaitu data yang menggambarkan

keadaan pada suatu waktu tertentu misalnya data hasil suatu survei. Keberadaan

heterokedastisitas akan dapat menyebabkan kesalahan dalam penaksiran sehingga koefisien

regresi menjadi tidak efisien dan dapat meyesatkan.

Pengujian untuk mendeteksi heteroskedastisitas melalui metode grafik adalah

sebagai berikut : Sebagaimana telah dijelaskan sebelumnya bahwa heteroskedastisitas

merupakan suatu kondisi dimana Var (μi2) tidak konstan. Oleh karena itu, bila nilai-nilai μi2

Universitas Sumatera Utara

diplot dengan nilai-nilai variabel bebas akan ditemui suatu pola atau bentuk yang tidak

random (pola yang sistematis). Seperti beberapa plot di bawah ini :

μi2 μi2

Ỷ Ỷ
0 (a) 0 (b)

μi2
μi2

Ỷ Ỷ
0 0
(c) (d)

Gambar 2.3 Pola Hipotesis Residual

Gambar (a) menunjukkan adanya pola yang sistematik , dimana semakin besar nilai

Ỷ, fluktuasi μi2 semakin besar, gambar (b) menunjukkan adanya trend, dan gambar (c)

menunjukkan pola yang mengikuti fungsi logaritma. Pola-pola sistematis ini menunjukkan

Var μi2 tidak konstan untuk semua nilai Ỷ, atau variannya Heteroskedastis. Sedangkan pada

gambar (d), titik-titik pada gambar tersebut tidak mencerminkan suatu pola yang sistematis

atau dapat dikatakan random. Dengan kata lain, Var μi2 konstan untuk semua nilai Ỷ, atau

variannya Homoskedastis. (Nachrowi Djalal Nachrowi dan Hardius Usman, 2006:114)

Universitas Sumatera Utara