Ada beberapa cara untuk melihat normalitas data yaitu Fatma, dkk, 2007:26-27:
a. Nilai Skewness
Nilai skewness digunakan untuk mengetahui bagaimana distribusi normal data dalam
variabel dengan menilai kemiringan kurva. Nilai skewness yang baik adalah mendekati
angka nol.
b. Historgam Display Normal Curve Normalitas data bila dilihat dengan histogram
display normal curve dapat ditentukan berdasarkan bentuk gambar kurva. Data
dikatakan normal jika bentuk kurva memiliki kemiringan yang cenderung seimbang, baik
pada sisi kiri maupun pada sisi kanan, dan kurva berbentuk menyerupai lonceng yang
hampir sempurna. Semakin mendekati 0 nilai skewness, gambar kurva cenderung memiliki
kemiringan yang seimbang.
3.8.1.2. Uji Multikolinieritas
Uji multikolonieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi
antara variabel bebas independen. Model regresi yang baik seharusnya tidak terjadi korelasi diantara
variabel indepensen. Jika terjadi independen saling berkorelasi, maka variabel-variabel ini tidak
ortogonal. Variabel ortogonal adalah variabel independen yang nilai korelasi antar sesama
variabel independen sama dengan nol Ghozali, 2006:91.
“Uji ini diperlukan karena untuk mengetahui ada tidaknya variabel independen yang memiliki kemiripan
dengan variabel independen lain dalam satu model” Fatma, dkk, 2007:32.
3.8.1.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan
Universitas Sumatera Utara
variance dari residual satu pengamatan ke pengamatan lain. Jika varians dari residual satu
pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut
heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
heteroskedastisitas Ghozali, 2006:105.
“Uji homoskedastisitas pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians-varians
yang sama diantara anggota grup tersebut” Helmi, dkk, 2008:63.
3.8.1.4. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah dalam model regresi linier ada korelasi antara kesalahan
pengganggu pada periode t dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi,
maka dinamakan ada problem autikorelasi. Autokorelasi muncul karena observasi yang
berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual
kesalahan pengganggu tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering
ditemukan pada data runtut waktu time series karena “pengganggu” pada seseorang
individukelompok cenderung mempengaruhi “gangguan” pada individukelompok yang sama
pada periode berikutnya Ghozali, 2006:95.
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi
Ghozali, 2006:96-102: c. Uji Durbin-Watson DW test
Uji Durbin-Watson hanya digunakan untuk autokorelasi tingkat satu first order
autocorrelation dan mensyaratkan adanya intercept kostanta dalam model regresi dan
tidak ada variabel lag diantara variabel independen.
Universitas Sumatera Utara
d. Uji Lagrange Multiplier LM test Uji autokorelasi dengan LM test terutama
digunakan untuk sample besar diatas 100 observasi. Uji ini memang lebih tepat
digunakan dibandingkan uji DW terutama bila sample yang digunakan relatif besar dan
derajat autokorelasi lebih dari satu.
e. Uji Statistics Q : Box-Pierce dan Ljung Box Uji Box-Pierce dan Ljung Box digunakan
untuk melihat autokorelasi dengan lag lebih dari dua.
3.8.2. Pengujian Hipotesis