2006 “untuk melakukan pemeriksaan terhadap persamaan regresi apakah melanggar asumsi atau tidak maka digunakan analisis residual”.
Setelah mendapatkan nilai residual tersebut maka selanjutnya dilakukan analisis uji normalitas melalui uji Kolmogorov_Smirnov
dengan menggunakan level of significant sebesar 0,05 atau sebesar 5. Pengujian normalitas dilakukan dengan membandingkan p-value yang
diperoleh dengan tingkat signifikansi yang ditentukan sebesar 0,05. Bila p-value
³ 0,05 maka data yang digunakan dalam penelitian merupakan data yang terdistribusi normal Priyatno, 2008. Selain itu juga digunakan
Histogram Display Normal Curve, dan Kurva Normal P-P PLOT.
Pengujian dengan Histogram Display Normal Curve, data dikatakan terdistribusi normal jika bentuk kurva memiliki kemiringan
yang seimbang pada sisi kiri dan kanan, atau tidak condong, melainkan ketengah dengan bentuk seperti lonceng, dengan nilai skewness
mendekati 0 Nugroho, 2005. Sedangkan pengujian dengan kurva normal P-P PLOT, data dikatakan terdistribusi normal jika penyebaran
titik-titik data terletak di sekitar garis diagonal dan searah mengikuti garis diagonal Nugroho, 2005.
3.5.3 Pengujian Asumsi Klasik
3.5.3.1 Multikolinearitas
Menurut Gujarati 1999 “Uji Multikolinearitas digunakan untuk mengetahui ada tidaknya hubungan linear yang “sempurna” atau pasti di
Universitas Sumatera Utara
antara variabel-variabel independen yang menjelaskan dari model regresi Gujarati, 1999”. Menurut Nugroho 2005 “Bila terjadi hubungan linear
yang “sempurna” pada beberapa atau semua variabel independen maka terdapat korelasi yang sangat kuat di antara variabel independen”.
Pendeteksian multikolinearitas dapat dilihat dari beberapa hal antara lain: 1
Jika nilai dari Variance Inflation Factor VIF kurang dari 10 dan nilai dari Tolerance lebih dari 0,1 maka dapat dikatakan bahwa model
yang digunakan dalam model terbebas dari multikolinearitas. 2
Jika koefisien korelasi antara masing-masing variabel independen tidak lebih dari 0,70 maka model penelitian terbebas dari
multikolinieritas, dan sebaliknya. 3
Jika nilai koefisien determinan maupun R-Square di atas 0,60 tetapi tidak ada variabel independen yang berpengaruh terhadap variabel
dependen maka dapat dikatakan bahwa model terkena multikolinieritas.
3.5.3.2 Autokorelasi
Menurut Gujarati 1999 “Autokorelasi didefinisikan sebagai korelasi antar anggota serangkaian observasi yang diurutkan menurut
waktu atau ruang”. Pengujian ini perlu dilakukan untuk mengetahui ada tidaknya hubungan antar unsur gangguan pada observasi dengan unsur
gangguan pada observasi lain. Autokorelasi sering terjadi pada sampel dengan metode pengumpulan time series. Metode yang paling terkenal
Universitas Sumatera Utara
untuk mendeteksi ada tidaknya korelasi adalah menggunakan pengujian Durbin- Watson. Penentuan nilai Durbin-Watson dibantu dengan tabel dl
dan du. Penentuan ada tidaknya autokorelasi dapat digunakan patokan nilai Durbin-Watson hitung yang berkisar antara 0 dan 4 Uyanto, 2009.
Bila nilai uji statistik Durbin-Watson lebih kecil dari satu atau lebih besar dari tiga maka residual dari model regresi berganda tidak bersifat
independen atau terjadi autokorelasi.
3.5.3.3 Heteroskesdastisitas