Uji Asumsi Klasik Analisis Data

commit to user 102

2. Uji Asumsi Klasik

a. Uji Multikolineritas

Uji multikolineritas dibutuhkan untuk mengetahui ada atau tidaknya variabel bebas yang memiliki kemiripan dengan variabel bebas lainnya dalam satu model. Pada analisis regresi dua prediktor, model harus terbebas dari multikolineritas. Deteksi multikolineritas dapat dilihat dari nilai Variance Inflation Factor VIF tidak lebih dari 10 dan nilai Tolerance tidak kurang dari 0,1 maka dapat dinyatakan bahwa model terbebas dari multikolineritas. Hasil uji Variance Inflation Factor VIF dan Tolerance pada hasil output SPSS tabel coefficients, tiap-tiap variabel memiliki VIF sebesar 2,618 diartikan bahwa 2,618 10 dan nilai Tolerance sebesar 0,382 diartikan bahwa 0,382 0,1. Berdasarkan hasil uji multikolineritas tersebut maka dapat dinyatakan bahwa model regresi dua prediktor terbebas dari multikolineritas dan dapat digunakan dalam penelitian.

b. Uji Heteroskesdastisitas

Uji heteroskesdastisitas dilakukan untuk menguji terjadinya perbedaan variance residual suatu periode pengamatan ke periode pengamatan yang lain atau gambaran hubungan antara nilai yang diprediksi dengan studentized delete residual nilai tersebut. Cara untuk memprediksi ada atau tidaknya heteroskesdastisitas pada suatu model dapat dilihat pada pola gambar Scatterplott yang menyatakan bahwa model tersebut tidak terdapat gejala heteroskedastisitas, apabila: commit to user 103 1 Titik-titik data menyebar di atas dan di bawah atau di sekitar angka 0. 2 Titik-titik data tidak mengumpul hanya di atas atau di bawah saja. 3 Penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar kembali. 4 Penyebaran titik-titik data tidak berpola Hasil analisis pola gambar Scatterplott pada lampiran dapat dilihat bahwa pada pola gambar titik-titik data menyebar, tidak mengumpul di atas atau di bawah saja sehingga model regresi dalam penelitian ini terbebas dari heteroskedastisitas.

c. Uji Autokorelasi

Uji autokorelasi digunakan untuk mendeteksi bahwa variabel tergantung tidak berkorelasi dengan dirinya sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Untuk menguji adanya autokorelasi dalam penelitian ini digunakan uji DW Durbin-Watson. Model regresi linier berganda terbebas dari autokorelasi jika nilai Durbin-Watson hitung terletak di daerah No Autocorelation atau nilai hitung Durbin-Watson mendekati atau disekitar angka 2. Hasil analisis menunjukkan nilai Durbin-Watson sebesar 2,169. Untuk mengetahui apakah nilai hitung tersebut terletak di daerah no Autocorelation, maka terlebih dahulu menentukan nilai dl batas bawah dan du batas atas dari nilai Durbin Watson tersebut. Penentuan nilai du dan dl berdasarkan pada tabel uji Durbin Watson dengan k=2 dan N=40 k=jumlah variabel bebas dan commit to user 104 N= jumlah sampel maka diperoleh nilai dl=1,391 dan nilai du=1,6. Perhitungan selanjutnya 4-du 4-1,6=2,4 dan 4-dl 4-1,391=2,609. Untuk lebih jelasnya dapat dilihat pada gambar 2 berikut ini: negatif No autocorelation positif autocorelation autocorrelation dl du 2 4-du 4-dl 0 1,391 1,6 2,4 2,609 2,169 nilai hitung Durbin Watson Gambar 2. Pengujian autokorelasi Hasil analisis diperoleh nilai Durbin-Watson sebesar 2,169. Berdasarkan gambar di atas, diketahui bahwa nilai 2,169 dikatakan dekat atau disekitar angka 2 dan terletak di daerah No autocorrelation, jadi model ini terbebas dari autokorelasi.

3. Uji Hipotesis