B. HASIL ANALISIS 1. Uji Asumsi Klasik
a. Uji Normalitas Data
Cara yang digunakan untuk mengetahui apakah residual berdistribusi normal atau tidak adalah melalui analisis grafik dan uji
statistik. 1 Analisis Data
Normalitas dapat dideteksi dengan melihat penyebaran data pada sumbu diagonal dari grafik atau dengan melihat histogram
dari residualnya. Menurut Ghozali 2006 yang menjadi dasar pengambilan keputusan adalah:
a Jika data menyebar disekitar garis diagonal dan
mengikuti arah garis diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka model regresi
memenuhi asumsi normalitas. b Jika data menyebar jauh dari diagonal dan tidak
mengikuti arah garis diagonal atau gtrafik histogram tidak menunjukkan pola distribusi normal, maka model
regresi tidak memenuhi asumsi normalitas.
Berikut ini merupakan hasil pengujian normalitas:
Gambar 4.1 Grafik Histogram
Gambar 4.2 Grafik Normal P-Plot
Dengan melihat tampilan grafik histogram maupun grafik normal plot dapat disimpulkan bahwa grafik histogram memberikan pola distribusi yang
tidak normal. Sedangkan pada grafik normal plot terlihat titik-titik menyebar disekitar garis diagonal, serta penyebarannya agak menjauh dari garis
diagonal. Menurut Ghozali 2006 data yang tidak berdistribusi secara normal
dapat ditransformasi agar menjadi normal. Transformasi data yang
dilakukan adalah dengan mentransformasi ke model Logaritma Natural LN. Berikut hasil uji normalitas data setelah transformasi:
Gambar 4.3 Grafik Histogram Setelah Transformasi
Gambar 4.4 Grafik Normal P-Plot Setelah Transformasi
Dari grafik histogram dan normal Probability plot pada gambar 4.3 dan gambar 4.4 diatas terlihat bahwa setelah dilakukan transformasi data ke
Logaritma Natural LN terlihat bahwa grafik histogram memperlihatkan pola distribusi yang normal, dan grafik P-Plot memperlihatkan titik-titik
menyebar disekitarmengikuti arah garis diagonal yang menunjukkan pola distribusi normal.
2 Uji Statistik Uji statistik yang digunakan adalah uji Kolmogorov-
Smirnov K-S dengan membuat hipotesis: Ho : data berdistribusi normal
Ha : data tidak berdistribusi normal Apabila nilai signifikansi lebih besar dari 0,05, maka Ho diterima dan
Ha ditolak. Sebaliknya, jika nilai signifikansi lebih kecil dari 0,05 maka Ho ditolak dan Ha diterima Ghozali, 2006.
Hasil uji Kolmogorov-Smirnov sebelum ditransformasi dapat dilihat pada tabel dibawah:
Tabel 4.2 Uji Normalitas Data
One-Sample Kolmogorov-Smirnov Test
Unstan dardized
Residual N
48 Normal Parameters
a,,b
Mean ,00000
00 Std. Deviation
889,91 653357
Most Extreme Differences Absolute
,229 Positive
,229 Negative
-,216 Kolmogorov-Smirnov Z
1,583 Asymp. Sig. 2-tailed
,013 a. Test distribution is Normal.
Sumber : Output SPSS
Besarnya nilai Kolmogorov-Smirnov adalah 1,583 dan signifikansi pada 0,013. Hal ini berarti bahwa nilai signifikansi lebih kecil dari 0,05
maka Ho ditolak yang berarti data residual berdistribusi tidak normal. Setelah dilakukan transformasi data ke model Logaritma Natural
LN, maka uji normalitas dilakukan kembali untuk mengetahui apakah data telah berdistribusi normal. Berikut ini hasil uji normalitas setelah
transformasi:
Tabel 4.3 Uji Normalitas Data Transformasi
One-Sample Kolmogorov-Smirnov Test
Unstan dardized
Residual N
25 Normal Parameters
a,,b
Mean ,00000
00 Std. Deviation
1,1412 3275
Most Extreme Differences Absolute
,150 Positive
,150 Negative
-,101 Kolmogorov-Smirnov Z
,750 Asymp. Sig. 2-tailed
,627 a. Test distribution is Normal.
Sumber : Output SPSS
Berdasarkan dari tabel diatas nilai signifikansi adalah sebesar 0,627. Hal ini berarti bahwa nilai signifikansi lebih besar dari 0,05 maka Ho
diterima dan Ha ditolak yang berarti data residual telah berdistribusi normal.
b. Uji Multikolinearitas
Kategori