35
3.7.1 Statistik Deskriptif
Statistik deskriptif berfungsi sebagai penganalisis data dengan menggambarkan sampel data yang telah dikumpulkan.Penelitian ini menjabarkan
jumlah data, rata-rata, nilai minimum dan maksimum serta standar deviasi. 3.7.2 Uji Asumsi Klasik
Sebelum melakukan pengujian hipotesis dan uji analisis regresi linear berganda, maka hal yang pertama dilakukan adalah uji asumsi klasik, yang
bertujuan untuk mendapatkan nilai estimasi yang diperoleh bersifat BLUE Best, Linear, Unbiased, and Estimator, yang artinya nilai estimator yang terbaik,
estimator yang linear, dan estimator yang tidak bias, maka data-data yang digunakan dalam analisis regresi terlebih dahulu akan diuji normalitas, uji
multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.
3.7.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah variabel residual berdistribusi normal.Pengujian normalitas data dalam penelitian ini mengunakan
uji statistik non parametrik Kolmogorov-Smirnov K-S, grafikHistogram, dan grafik Normal Plot. Uji statistik non parametrik Kolmogorov-Smirnov K-S
dengan membuat hipotesis: H0 : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal Dalam uji Kormogrov-Smirnov, pedoman yang digunakan dalam
pengambilan keputusan yaitu:
36
1 jika nilai signifikansi 0,05 maka distribusi data tidak normal,
jika nilai signifikansi 0,05 maka distribusi data normal.
3.7.2.2 Uji Multikolinieritas
Menurut Ghozali 2009: 91 uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen.Model regresi yang
baik seharusnya tidak terjadi korelasi diantara variabel
independen.Multikolinieritas adalah situasi adanya korelasi variabel-variabel independen antara yang satu dengan yang lainnya. Jika terjadi korelasi sempurna
diantara sesama variabel bebas, maka konsekuensinya adalah: 1. koefisien-koefisien regresi menjadi tidak dapat ditaksir,
2. nilai standar error setiap koefisien regresi menjadi tak terhingga. Ada tidaknya multikolinieritas dapat dideteksi dengan melihat nilai tolerance
dan variance inflation factor VIF, serta dengan menganalisis matriks korelasi variabel-variabel independen. Nilai cut off yang umum dipakai untuk
menunjukkan adanya multikolinearitas adalah jika nilai tolerance 0,1 atau sama dengan nilai VIF10, maka model dapat dikatakan terbebas dari multikolinearitas.
3.7.2.3 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah didalam model regresi terjadi ketidaksamaan variabel pengganggu dari satu pengamatan dengan
pengamatan yang lain. Menurut Ghozali 2009:125 Model regresi yang baik adalah yang homoskesdatisitas atau tidak terjadi heteroskedastisitas. Cara
37
memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar Scatterplot. Analisis pada gambar Scatterplot yang menyatakan
model regresi berganda tidak terdapat heteroskedastisitas jika: 1.
titik-titik data menyebar di atas, di bawah atau di sekitar angka nol, 2.
titik-titik data tidak mengumpul hanya di atas atau dibawah, 3.
penyebaran titik-titik data tidak boleh membentuk pola
bergelombang melebar kemudian menyempit dan melebar kembali, 4.
penyebaran titik-titik data sebaiknya tidak berpola. 3.7.2.4
Uji Autokorelasi
Uji ini bertujuan untuk melihat apakah dalam suatu model regresi linear terdapat korelasi atau kesalahan pengganggu pada periode t dengan kesalahan
periode t-1.Jika terjadi autokorelasi, maka terdapat problem autokorelasi.Menurut Ghozali 2009:99 autokorelasi muncul karena observasi yang berurutan
sepanjang tahun yang berkaitan satu dengan lainnya. Hal ini sering ditemukan pada data time series. Pada data cross section, masalah autokorelasi relatif tidak
terjadi. Uji yang digunakan dalam penelitian untuk mendeteksi ada tidaknya autokorelasi adalah dengan menggunakan uji Durbin-Watson DW. Kriteria
untuk penilaian terjadinya autokorelasi yaitu: 1.
nilai DW lebih kecil dari -2 berarti ada korelasi positif, 2.
nilai DW di antara -2 sampai +2 berarti tidak ada
autokorelasi, 3.
nilai DW lebih besar dari +2 berarti ada autokorelasi
negative
38
3.7.3 Analisis Regresi