4.2.2 Hasil Pengujian Asumsi Klasik
Untuk menghasilkan suatu model regresi yang baik diperlukan pengujian asumsi klasik terlebih dahulu sebelum melakukan pengujian hipotesis. Pengujian
asumsi klasik dalam penelitian ini dilakukan dengan bantuan program statistik. Menurut Ghozali 2005:123, asumsi klasik yang harus dipenuhi adalah :
1. berdistribusi normal,
2. non-multikolinearitas yaitu antara variabel independen dalam model regresi
tidak memiliki korelasi atau hubungan secara sempurna ataupun mendekati sempurna,
3. non-autokorelasi yaitu kesalahan pengganggu dalam model regresi tidak
saling berkorelasi, 4.
non-heteroskedastisitas yaitu variance variabel independen dari satu pengamatan ke pengamatan lain adalah konstan atau sama.
4.2.2.1 Uji Normalitas
Asumsi klasik yang pertama diuji adalah normalitas. Hasil pengujian dengan normal P-Plot menunjukkan bahwa titik-titik
atau garis yang menunjukkan data sesungguhnya menyebar disekitar garis diagonal, seta penyebarannya mengikuti arah garis
diagonal. Dengan demikian dapat disimpulkan bahwa model regresi layak dipakai dan memenuhi asumsi normalitas. Pada uji
normalitas akan terdapat uji Kolmogorov- Smirnov, adapun ketentuan dalam uji Kolmogorov- Smirnov adalah :
1. Jika nilai signifikan 0,05 maka distribusi data tidak normal
2. Jika nilai signifikan 0,05 maka distribusi data normal.
Universitas Sumatera Utara
Hipotesis yang digunakan adalah : H
: Data residual berdistribusi normal, dan H
a
: Data residual tidak berdistribusi normal.
Tabel 4.2 Hasil Uji Normalitas
Sumber : Output SPSS, diolah Penulis, 2012
Dari hasil pengolahan data pada tabel 4.2 diperoleh besarnya nilai Kolmogorov-Smirnov adalah 0,567 dan signifikan pada 0,905
karena Asymp. Sig. 2-tailed 0,905 dari 0,05. Nilai signifikansi lebih besar dari 0,05, maka H
diterima atau H
1
ditolak yang berarti data residual berdistribusi normal. Data yang terdistribusi secara
normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal plot data.
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
33 Normal Parameters
a,b
Mean ,0000000
Std. Deviation ,31272248
Most Extreme Differences Absolute
,099 Positive
,094 Negative
-,099 Kolmogorov-Smirnov Z
,567 Asymp. Sig. 2-tailed
,905 a. Test distribution is Normal
b. Calculated from data.
Universitas Sumatera Utara
Gambar 4.1
Sumber : Output SPSS, diolah Penulis, 2012
Histogram digunakan untuk menampilkan data kuantitatif dan menyajikan hasil distribusi data secara visual. Grafik
histogram menunjukkan pola distribusi normal karena grafik histogram berbentuk simetrik tidak cenderung
mencong skewness. Dengan demikian, dapat disimpulkan bahwa model
regresi sudah memenuhi asumsi normalitas. Begitu juga hasil tampilan grafik Normal P-Plot Regression di bawah ini, dapat
Universitas Sumatera Utara
dilihat titik - titik menyebar mendekati garis diagonal yang menunjukkan data terdistribusi dengan normal.
Gambar 4.2
Sumber : Output SPSS, diolah Penulis, 2012
P-P plot menunjukkan nilai pengamatan pada sumbu horizontal, dan nilai harapan pada sumber vertikal. Nilai harapan
adalah nilai yang diharapkan apabila distribusi data nomal. Oleh karena itu, jika data berdistribusi normal, titik-titik plotnya harus
berada pada suatu garis lurus. Sedangkan jika titik tersebut
Universitas Sumatera Utara
membentuk seperti huruf S, maka menunjukkan bahwa data kita menjulur skew.
4.2.2.2 Uji Multikolinearitas