MATERI XI : MENGOLAH - MENGANALISIS DATA (Lanjutan Materi X)

Nilai koefisien regresi dan model regresi linier tersebut belum dapat digunakan, baik sebagai alat pengambilan keputusan maupun alat peramalan, sebelum dilakukan uji hipotesis dan uji asumsi klasik. Uji hipotesis dan uji asumsi klasik yang dimaksud adalah :
Uji Hipotesis Parsial (Uji T). Hipotesis penelitian yang diajukan adalah Keputusan Pembelian Laptop Merk “X” (Y) dipengaruhi oleh Variabel Harga (X1), Mutu (X2), dan Model (X3). Berdasarkan hipotesis penelitian tersebut dapat dibuat hipotesis statistik (uji parsial), yaitu: Ho : b1 = 0 ; b2 = 0 ; b3 = 0 dan Ha : b1 ≠ 0 ; b2 ≠ 0 ; b3 ≠ 0.
Nilai T tabel untuk data sebanyak 30 responden, jumlah variabel sebanyak 4 variabel, dan tingkat signifikan yang digunakan 5% (uji dua arah), adalah sebesar ± 2,056 (lihat tabel T student pada df : 26 dan α : 2,5%). Hasil pengolahan data pada Tabel : Hasil Pengolahan Data Analisis Regresi Linier (Contoh 2) bagian Coefficiens, diketahui bahwa nilai T hitung untuk Variabel Harga sebesar – 2,180 (Sig. 0,038), Variabel Mutu sebesar 3,383 (Sig. 0,002), dan Variabel Model sebesar 2,697 (Sig. 0,012). Nilai T hitung untuk masing-masing variabel independen tersebut berada pada daerah penolakan Ho atau mempunyai nilai Sig. di bawah 5%. Dengan demikian dapat disimpulkan bahwa masing-masing variabel independen mempunyai pengaruh yang signifikan terhadap variabel dependen, atau Variabel Harga, Mutu, dan Model secara parsial mempunyai pengaruh yang signifikan terhadap Variabel Keputusan Pembelian Laptop Merk “X”.

Uji Hipotesis Serempak (Uji F). Untuk melakukan uji hipotesis secara serempak (Uji F) hipotesis statistik yang diajukan adalah : Ho : b1 = b2 = b3 = 0 dan Ha : b1 ≠ b2 ≠ b3 ≠ 0
Nilai F tabel dengan df : 3 ; 26 dan tingkat signifikan (α) 5% adalah sebesar 2,96 dan nilai F hitung hasil pengolahan data adalah sebesar 30,878 dengan Sig. 0,000 (lihat Tabel : Hasil Pengolahan Data Analisis Regresi Linier (Contoh 2) bagian ANOVA). Dengan membandingkan nilai F hitung dengan F tabel, yaitu F hitung lebih besar dari F tabel atau 30,878 > 2,96 (nilai Sig. di bawah 5%), maka dapat disimpulkan bahwa variabel independen secara keseluruhan mempunyai pengaruh yang signifikan terhadap variabel dependen atau Variabel Harga, Mutu, dan Model secara keseluruhan mempunyai pengaruh yang signifikan terhadap Variabel Keputusan Pembelian Laptop Merk “X”.
R Square (Koefisien Determinasi). Nilai R Square dari hasil pengolahan data adalah sebesar 0,781 atau 78,1% (lihat Tabel : Hasil Pengolahan Data Analisis Regresi Linier (Contoh 2) bagian Model Summary). Nilai tersebut memberikan gambaran bahwa sumbangan variabel independen (Variabel Harga, Mutu dan Model) dalam pengaruhnya terhadap naik turunnya variabel dependen (Variabel Keputusan Pembelian Laptop Merk “X”) adalah sebesar 78,1% dan sisanya sebesar 21,9% merupakan sumbangan variabel-variabel lain yang tidak dimasukkan dalam model (tidak diteliti) dan tergabung dalam variabel pengganggu (e) dalam model regresi linier. Nilai korelasi berganda (R) dari hasil pengolahan data adalah sebesar 88,4%. Nilai korelasi tersebut menggambarkan bahwa hubungan antara variabel independen dengan variabel dependen adalah mempunyai hubungan yang erat atau hubungan antara Variabel harga, Mutu, dan Model dengan Variabel Keputusan Pembelian Laptop Merk “X” adalah mempunyai hubungan yang erat.
Uji Autokorelasi. Uji Autokorelasi dilakukan dengan jalan membandingkan nilai Durbin Watson hasil pengolahan data dengan nilai tabel Durbin Watson (DW). Nilai tabel DW pada n sebesar 30; α sebesar 5%; k – 1 sebesar 2, diperoleh nilai dL = 1,21 dan nilai dL = 1,65. Nilai DW hasil pengolahan data adalah sebesar 1,990 (lihat Tabel : Hasil Pengolahan Data Analisis Regresi Linier (Contoh 2) bagian Model Summary) dan nilai tersebut berada di antara dU dan (4 – dU) atau 1,65 lebih kecil dari 1,990 dan 1,990 lebih kecil dari 2,35 maka dapat disimpulkan bahwa dalam model regresi linier tersebut tidak terdapat Autokorelasi atau tidak terjadi korelasi di antara kesalahan pengganggu.
Uji Multikolonearitas. Untuk mennguji apakah model regresi linier mengalami multikolinieritas dapat diperiksa menggunakan Variance Inflation Factor (VIF) untuk masing-masing veriabel independen, yaitu jika suatu variabel independen mempunyai nilai VIF lebih besar dari 10 berarti telah terjadi multikolinieritas. Hasil pengolahan data pada Tabel : Hasil Pengolahan Data Analisis Regresi Linier (Contoh 2) bagian Coefficient, diketahui bahwa nilai VIF untuk Variabel Harga sebesar 1,182, Variabel Mutu sebesar 2,178, dan Variabel Model 2,372. Nilai VIF untuk masing-masing variabel independen tersebut berada di bawah angka 5, sehingga dapat diartikan tidak terdapat Multikolonearitas dalam model regresi linier atau dengan kata lain tidak terjadi korelasi yang signifikan di antara masing-masing variabel independen dalam model regresi linier.
Uji Heteroskedastisitas. Jika korelasi Rank Spearman antara masing-masing variabel independen dengan residualnya mempunyai nilai signifikan lebih besar dari α (5%) maka tidak terdapat Heteroskedastisitas, dan sebaliknya jika lebih kecil dari α (5%) maka terdapat Heteroskedastisitas. Langkah untuk mendapatkan nilai residual adalah pada tampilan Data View (contoh dua), pilih menu Transform dan klik Compute. Pada kotak Compute Variable, bagian Target Variable ketik Residual dan pada bagian Numeric Expression ketik Y-(4.207+(-0.298*X1)+(0.411*X2)+(0.400*X3)), kemudian klik OK. Langkah selanjutnya, setelah kolom residual tampil pada Data View (contoh dua), pilih menu Analyze, pilih sub menu Correlate, dan klik Bivariate. Pada kotak Bivariate Correlations, pindahkan semua variabel independen dan residual ke Variables, kemudian untuk Correlation Coefficients hilangkan tanda centang pada Pearson dan beri tanda centang pada Spearman, kemudian klik OK. Hasil pengolahan data dengan korelasi Rank Spearman tersebut adalah sebagai berikut :

Berdasarkan tabel tersebut di atas, pada kolom Residual dapat dilihat bahwa nilai signifikan (Sig. (2-tailed)) dari masing masing variabel independen terhadap residual bernilai di atas 5% sehingga dapat disimpulkan bahwa pada model regresi linier tidak terdapat Heteroskedastisitas.